Набор данных COCO12-Formats

Введение

Набор данных Ultralytics COCO12-Formats — это специализированный тестовый набор данных, предназначенный для проверки загрузки изображений во всех 12 поддерживаемых расширениях форматов изображений. Он содержит 12 изображений (6 для обучения, 6 для валидации), каждое из которых сохранено в отдельном формате для обеспечения всестороннего тестирования конвейера загрузки изображений.

Этот набор данных бесценен для:

• Тестирование поддержки форматов изображений: Проверка корректной загрузки всех поддерживаемых форматов
• Конвейеры CI/CD: Автоматизированное тестирование совместимости форматов
• Отладка: Выявление проблем, специфичных для формата, в конвейерах обучения
• Разработка: Проверка новых добавлений или изменений форматов

Поддерживаемые форматы

Набор данных включает одно изображение для каждого из 12 поддерживаемых расширений форматов, определенных в ultralytics/data/utils.py:

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 configuration

YAML-файл набора данных

Набор данных COCO12-Formats настраивается с помощью YAML-файла, который определяет пути к набору данных и имена классов. Вы можете ознакомиться с официальным coco12-formats.yaml файл в репозиторий Ultralytics 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.zip

Требования

Некоторые форматы требуют дополнительных зависимостей:

pip install pillow pillow-heif pillow-avif-plugin

Системная библиотека AVIF (необязательно)

Чтобы OpenCV мог напрямую читать файлы AVIF, libavif должен быть установлен before сборка OpenCV:

brew install libavif

sudo apt install libavif-dev libavif-bin

git clone -b v1.2.1 https://github.com/AOMediaCodec/libavif.git
cd libavif
cmake -B build -DAVIF_CODEC_AOM=SYSTEM -DAVIF_BUILD_APPS=ON
cmake --build build --config Release --parallel
sudo cmake --install build

Использование

Для обучения модели YOLO на наборе данных COCO12-Formats используйте 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)

# Train YOLO on COCO12-Formats
yolo detect train data=coco12-formats.yaml model=yolo26n.pt epochs=1 imgsz=640

Примечания по конкретным форматам

AVIF (формат файла изображения AV1)

AVIF — это современный формат изображений, основанный на видеокодеке AV1, предлагающий превосходное сжатие. Требует pillow-avif-plugin:

pip install pillow-avif-plugin

DNG (цифровой негатив)

DNG — это открытый RAW-формат Adobe, основанный на TIFF. Для целей тестирования набор данных использует файлы на основе TIFF с .dng расширением.

JP2 (JPEG 2000)

JPEG 2000 — это стандарт сжатия изображений на основе вейвлетов, предлагающий лучшее сжатие и качество, чем традиционный JPEG. Широко используется в медицинской визуализации (DICOM), геопространственных приложениях и цифровом кино. Нативно поддерживается как OpenCV, так и Pillow.

MPO (многокадровый объект)

Файлы MPO используются для стереоскопических (3D) изображений. Набор данных хранит стандартные данные JPEG с .mpo расширением для тестирования формата.

HEIC (высокоэффективное кодирование изображений)

HEIC требует pillow-heif пакет для корректного кодирования:

pip install pillow-heif

Случаи использования

Тестирование CI/CD

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 None

Проверка 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 вы используете набор данных COCO в своих исследованиях, пожалуйста, сошлитесь на:

@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

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 обеспечивает:

• Надежный код загрузки изображений
• Совместимость с различными наборами данных
• Раннее обнаружение ошибок, специфичных для формата

Какие форматы требуют специальных зависимостей?

• AVIF: Требуется pillow-avif-plugin
• HEIC: Требуется pillow-heif

📅 Создано 1 месяц назад ✏️ Обновлено 1 месяц назад

Комментарии