COCO12-Formats Veri Kümesi#

12

COCO12-Formats

ultralytics

publicDetect

Official Ultralytics COCO12-Formats object detection dataset with 12 COCO images and 54 bounding boxes across 80 classes. Its 6 train and 6 validation images exercise 12 supported loader extensions and code paths: AVIF, BMP, DNG, HEIC, JPEG, JPG, MPO, JP2, PNG, TIF, TIFF, and WebP.

80 classes1.3 MBAug 21, 2026

personbicyclecarmotorcycle+76

object-detectioncocoimage-formats+2

Giriş#

Ultralytics COCO12-Formats veri seti, desteklenen 12 görüntü biçimi uzantısı genelinde görüntü yüklemeyi doğrulamak için tasarlanmış özel bir test veri setidir. Görüntü yükleme işlem hattının kapsamlı bir şekilde test edilmesini sağlamak amacıyla, her biri farklı bir biçimde kaydedilmiş 12 görüntü (6'sı eğitim, 6'sı doğrulama için) içerir.

Bu veri kümesi şunlar için paha biçilmezdir:

• Görsel formatı desteğini test etme: Yaygın görsel formatlarının doğru şekilde yüklendiğini doğrula
• CI/CD hatları: Format uyumluluğunun otomatik olarak test edilmesi
• Hata ayıklama: Eğitim hatlarındaki formata özel sorunları yalıt
• Geliştirme: Yeni format eklemelerini veya değişikliklerini doğrula

Veri setlerini Ultralytics Platform üzerinde yönettiğinizde, bu biçimlerin herhangi birindeki görüntüler otomatik olarak işlenir; manuel dönüştürme gerekmez.

Desteklenen Formatlar#

ultralytics/data/utils.py içinde tanımlanan desteklenen 12 biçim uzantısının her biri için veri seti bir görüntü içerir:

Veri Kümesi Yapısı#

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

Veri Kümesi YAML#

COCO12-Formats veri seti, veri seti yollarını ve sınıf adlarını tanımlayan bir YAML dosyası kullanılarak yapılandırılır. Resmi coco12-formats.yaml dosyasını Ultralytics GitHub repository içinde inceleyebilirsin.

# 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

Gereksinimler#

Bazı formatlar ek bağımlılıklar gerektirir:

pip install pillow pillow-heif pillow-avif-plugin

AVIF Sistem Kütüphanesi (İsteğe bağlı)#

OpenCV'nin AVIF dosyalarını doğrudan okuyabilmesi için, OpenCV derlenmeden önce libavif yüklenmelidir:

brew install libavif

Kullanım#

COCO12-Formats veri seti (1 MB), eğitimi ilk başlattığında otomatik olarak indirilir. COCO12-Formats veri seti üzerinde bir YOLO modeli eğitmek için şu örnekleri kullan:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Train on COCO12-Formats to test 12 supported image formats
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=640)

Formata Özel Notlar#

AVIF (AV1 Görsel Dosya Formatı)#

AVIF, AV1 video kodeğine dayanan ve mükemmel sıkıştırma sunan modern bir görüntü biçimidําdır. pillow-avif-plugin gerektirir:

pip install pillow-avif-plugin

DNG (Dijital Negatif)#

DNG, TIFF'e dayanan Adobe'nin açık RAW biçimidir. Test amaçlı olarak veri seti, .dng uzantısına sahip TIFF tabanlı dosyalar kullanır.

JP2 (JPEG 2000)#

JPEG 2000, geleneksel JPEG'e göre daha iyi sıkıştırma ve kalite sunan, dalgacık tabanlı bir görsel sıkıştırma standardıdır. Tıbbi görüntülemede (DICOM), coğrafi uygulamalarda ve dijital sinemada yaygın olarak kullanılır. Hem OpenCV hem de Pillow tarafından yerel olarak desteklenir.

MPO (Çoklu Resim Nesnesi)#

MPO dosyaları stereoskopik (3D) görüntüler için kullanılır. Veri seti, biçim testi amacıyla standart JPEG verilerini .mpo uzantısıyla saklar.

HEIC / HEIF (Yüksek Verimli Görüntü Dosyası Formatı)#

Hem .heic hem de .heif uzantıları aynı ISO/IEC 23008-12 kapsayıcısına referans verir. Geleneksel olarak, .heic HEVC kodlu HEIF dosyalarını (Apple cihazları tarafından üretilen varyant) ifade ederken, .heif daha geniş kapsamlı bir çatı uzantıdır.

Ultralytics, ilk kullanımda pi-heif (hafif, yalnızca kod çözme) otomatik olarak yükleyen ultralytics/utils/patches.py içindeki OpenCV → Pillow yedeği aracılığıyla her ikisinin de kodunu çözer; okuma için manuel kurulum gerekmez. HEIC/HEIF dosyalarını kendin üretmek için (örneğin, örnek görüntüleri yeniden kodlamak amacıyla), kodlayıcıları içeren tam pillow-heif paketini yükle:

pip install pillow-heif

Kullanım Durumları#

CI/CD Testi#

from ultralytics import YOLO

def test_image_formats():
    """Test that 12 supported image formats load correctly."""
    model = YOLO("yolo26n.pt")
    results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=64)
    assert results is not None

Format Doğrulama#

from pathlib import Path

from ultralytics.data.utils import IMG_FORMATS

# Verify all dataset formats are supported
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"Unsupported formats: {found_formats - IMG_FORMATS}"

Alıntılar ve Teşekkür#

COCO veri kümesini araştırmanda kullanıyorsan lütfen kaynak göster:

@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}
}

SSS#