COCO12-Biçimler Veri Kümesi

Giriş

Ultralytics Ultralytics COCO12-Formats veri kümesi, desteklenen 12 görüntü formatı uzantısının tümünde görüntü yüklemeyi doğrulamak için tasarlanmış özel bir test veri kümesidir. Görüntü yükleme sürecinin kapsamlı bir şekilde test edilmesini sağlamak için her biri farklı bir formatta kaydedilmiş 12 görüntü (6'sı eğitim, 6'sı doğrulama için) içerir.

Bu veri seti aşağıdakiler için çok değerlidir:

• Görüntü formatı desteğini test etme: Desteklenen tüm formatların doğru şekilde yüklendiğini doğrulayın.
• CI/CD boru hatları: Format uyumluluğunun otomatik olarak test edilmesi
• Hata ayıklama: Eğitim boru hatlarında biçime özgü sorunları izole edin
• Geliştirme: Yeni format eklemelerini veya değişikliklerini doğrulayın

Desteklenen Formatlar

Veri kümesi, ultralytics/data/utils.py:

Veri Seti 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 Seti YAML

COCO12-Formats veri kümesi, veri kümesi yollarını ve sınıf adlarını tanımlayan bir YAML dosyası kullanılarak yapılandırılır. Resmi coco12-formats.yaml dosyası içinde Ultralytics GitHub deposunu.

# 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

Veri Kümesi Oluşturma

Veri kümesi, COCO8 COCO128 kaynak görüntülerini desteklenen tüm COCO128 dönüştüren sağlanan komut dosyası kullanılarak oluşturulabilir:

from ultralytics.data.scripts.generate_coco12_formats import generate_coco12_formats

# Generate the dataset
generate_coco12_formats()

Gereksinimler

Bazı formatlar ek bağımlılıklar gerektirir:

pip install pillow pillow-heif pillow-avif-plugin

AVIF Sistem Kütüphanesi (İsteğe Bağlı)

OpenCV AVIF dosyalarını doğrudan OpenCV için, libavif kurulmalıdır önce OpenCV derleme:

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

Kullanım

COCO12-Formats veri setinde bir YOLO eğitmek için aşağıdaki örnekleri kullanın:

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

Biçimle İlgili Notlar

AVIF (AV1 Görüntü Dosyası Biçimi)

AVIF, AV1 video kodekine dayanan ve mükemmel sıkıştırma sağlayan modern bir görüntü formatıdır. Gerektirir pillow-avif-plugin:

pip install pillow-avif-plugin

DNG (Dijital Negatif)

DNG, Adobe'nin TIFF tabanlı açık RAW formatıdır. Test amaçlı olarak, veri kümesi TIFF tabanlı dosyaları kullanır. .dng uzantı.

JP2 (JPEG 2000)

JPEG 2000, geleneksel JPEG'den daha iyi sıkıştırma ve kalite sunan dalgacık tabanlı bir görüntü sıkıştırma standardıdır. Tıbbi görüntüleme (DICOM), coğrafi uygulamalar ve dijital sinemada yaygın olarak kullanılır. OpenCV Pillow tarafından yerel olarak desteklenir.

MPO (Çoklu Resim Nesnesi)

MPO dosyaları stereoskopik (3D) görüntüler için kullanılır. Veri kümesi, standart JPEG verilerini .mpo format testi için uzantı.

HEIC (Yüksek Verimli Görüntü Kodlama)

HEIC, pillow-heif uygun kodlama için paket:

pip install pillow-heif

Kullanım Alanları

CI/CD Testi

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

Biçim Doğrulama

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}"

Alıntılar ve Teşekkürler

Araştırmanızda COCO kullanıyorsanız, lütfen şu kaynağı belirtiniz:

@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

COCO12-Formats veri seti ne için kullanılır?

COCO12-Formats veri kümesi, Ultralytics YOLO boru hatlarında görüntü formatı uyumluluğunu test etmek için tasarlanmıştır. Desteklenen 12 görüntü formatının (AVIF, BMP, DNG, HEIC, JP2, JPEG, JPG, MPO, PNG, TIF, TIFF, WebP) tümünün doğru şekilde yüklenmesini ve işlenmesini sağlar.

Neden Birden Fazla Görüntü Formatını Test Etmelisiniz?

Farklı görüntü formatları kendine özgü özelliklere sahiptir (sıkıştırma, bit derinliği, renk alanları). Tüm formatları test etmek şunları sağlar:

• Güçlü görüntü yükleme kodu
• Çeşitli veri kümeleri arasında uyumluluk
• Biçim özel hataların erken tespiti

Hangi Biçimler Özel Bağımlılıklar Gerektirir?

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

Yeni Format Testleri Ekleyebilir miyim?

Evet! Değiştirin generate_coco12_formats.py ek formatları dahil etmek için komut dosyası. Ayrıca güncellemeyi de yaptığınızdan emin olun. IMG_FORMATS içinde ultralytics/data/utils.py.

📅 0 gün önce oluşturuldu ✏️ 0 gün önce güncellendi

Yorumlar