Набор данных COCO12-Formats
Введение
Набор данных Ultralytics COCO12-Formats — это специализированный тестовый набор данных, предназначенный для проверки загрузки изображений во всех 12 поддерживаемых форматах. Он содержит 12 изображений (6 для обучения, 6 для валидации), каждое из которых сохранено в отдельном формате, что обеспечивает комплексное тестирование конвейера загрузки изображений.
Этот набор данных неоценим для:
- Тестирования поддержки форматов изображений: Проверка того, что все поддерживаемые форматы загружаются корректно
- CI/CD конвейеров: Автоматизированное тестирование совместимости форматов
- Отладки: Изоляция проблем, специфичных для формата, в конвейерах обучения
- Разработки: Валидация добавления новых форматов или изменений
Поддерживаемые форматы
Набор данных включает по одному изображению для каждого из 12 поддерживаемых расширений форматов, определенных в ultralytics/data/utils.py:
| Формат | Расширение | Описание | Train/Val |
|---|---|---|---|
| AVIF | .avif | Формат файла изображения AV1 (современный) | Обучение (Train) |
| BMP | .bmp | Bitmap — несжатый растровый формат | Обучение (Train) |
| DNG | .dng | Digital Negative — RAW-формат от Adobe | Обучение (Train) |
| HEIC | .heic | High Efficiency Image Coding | Обучение (Train) |
| JPEG | .jpeg | JPEG с полным расширением | Обучение (Train) |
| JPG | .jpg | JPEG с коротким расширением | Обучение (Train) |
| JP2 | .jp2 | JPEG 2000 — медицинский/геопространственный | Валидация (Val) |
| MPO | .mpo | Multi-Picture Object (стереоизображения) | Валидация (Val) |
| PNG | .png | Portable Network Graphics | Валидация (Val) |
| TIF | .tif | TIFF с коротким расширением | Валидация (Val) |
| TIFF | .tiff | Tagged Image File Format | Валидация (Val) |
| WebP | .webp | Современный веб-формат изображений | Валидация (Val) |
Структура набора данных
coco12-formats/
├── images/
│ ├── train/ # 6 images (avif, bmp, dng, heic, jpeg, jpg)
│ └── val/ # 6 images (jp2, mpo, png, tif, tiff, webp)
├── labels/
│ ├── train/ # Corresponding YOLO format labels
│ └── val/
└── coco12-formats.yaml # Dataset configurationYAML набора данных
Набор данных COCO12-Formats настраивается с помощью файла YAML, который определяет пути к данным и имена классов. Ты можешь просмотреть официальный файл coco12-formats.yaml в репозитории Ultralytics на GitHub.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO12-Formats dataset (12 images testing all supported image formats) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco12-formats/
# Example usage: yolo train data=coco12-formats.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco12-formats ← downloads here (1 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco12-formats # dataset root dir
train: images/train # train images (relative to 'path') 6 images
val: images/val # val images (relative to 'path') 6 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco12-formats.zipТребования
Для некоторых форматов требуются дополнительные зависимости:
pip install pillow pillow-heif pillow-avif-pluginСистемная библиотека AVIF (опционально)
Чтобы OpenCV мог напрямую считывать файлы AVIF, необходимо установить libavif до сборки OpenCV:
brew install libavifПакет opencv-python, установленный через pip, может не включать поддержку AVIF, так как он предварительно скомпилирован. Ultralytics использует Pillow с плагином pillow-avif-plugin в качестве резервного варианта для изображений AVIF, когда в OpenCV отсутствует поддержка.
Использование
Чтобы обучить модель YOLO на наборе данных COCO12-Formats, используй следующие примеры:
from ultralytics import YOLO
# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")
# Train on COCO12-Formats to test all image formats
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=640)Примечания по конкретным форматам
AVIF (AV1 Image File Format)
AVIF — это современный формат изображений, основанный на видеокодеке AV1, обеспечивающий отличное сжатие. Требуется pillow-avif-plugin:
pip install pillow-avif-pluginDNG (Digital Negative)
DNG — это открытый RAW-формат от Adobe, основанный на TIFF. Для целей тестирования набор данных использует файлы на основе TIFF с расширением .dng.
JP2 (JPEG 2000)
JPEG 2000 — это стандарт сжатия изображений на основе вейвлетов, обеспечивающий лучшее сжатие и качество по сравнению с традиционным JPEG. Широко используется в медицинской визуализации (DICOM), геопространственных приложениях и цифровом кино. Нативно поддерживается как OpenCV, так и Pillow.
MPO (Multi-Picture Object)
Файлы MPO используются для стереоскопических (3D) изображений. Набор данных содержит стандартные данные JPEG с расширением .mpo для тестирования формата.
HEIC (High Efficiency Image Coding)
Для правильного кодирования HEIC требуется пакет pillow-heif:
pip install pillow-heifВарианты использования
CI/CD тестирование
from ultralytics import YOLO
def test_all_image_formats():
"""Test that all image formats load correctly."""
model = YOLO("yolo26n.pt")
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=64)
assert results is not NoneВалидация формата
from pathlib import Path
from ultralytics.data.utils import IMG_FORMATS
# Verify all formats are represented
dataset_dir = Path("datasets/coco12-formats/images")
found_formats = {f.suffix[1:].lower() for f in dataset_dir.rglob("*.*")}
assert found_formats == IMG_FORMATS, f"Missing formats: {IMG_FORMATS - found_formats}"Цитирование и благодарности
Если ты используешь набор данных COCO в своих исследованиях, пожалуйста, сошлись на него:
@misc{lin2015microsoft,
title={Microsoft COCO: Common Objects in Context},
author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Doll{\'a}r},
year={2015},
eprint={1405.0312},
archivePrefix={arXiv},
primaryClass={cs.CV}
}Часто задаваемые вопросы (FAQ)
Для чего используется набор данных COCO12-Formats?
Набор данных COCO12-Formats разработан для тестирования совместимости форматов изображений в конвейерах обучения Ultralytics YOLO. Он гарантирует, что все 12 поддерживаемых форматов изображений (AVIF, BMP, DNG, HEIC, JP2, JPEG, JPG, MPO, PNG, TIF, TIFF, WebP) загружаются и обрабатываются корректно.
Зачем тестировать несколько форматов изображений?
Различные форматы изображений имеют уникальные характеристики (сжатие, глубина цвета, цветовые пространства). Тестирование всех форматов гарантирует:
- Надежный код загрузки изображений
- Совместимость с различными наборами данных
- Раннее обнаружение ошибок, специфичных для формата
Какие форматы требуют особых зависимостей?
- AVIF: Требуется
pillow-avif-plugin - HEIC: Требуется
pillow-heif