COCO12-Formats Veri Kümesi#

12

COCO12-Formats

ultralytics

publicDetect

COCO12-Formats is an Ultralytics loader-compatibility benchmark built from twelve labeled COCO images. It exercises AVIF, BMP, DNG, HEIC, JPEG/JPG, MPO, JP2, PNG, TIF/TIFF, and WebP decoding with real bounding boxes across COCO's 80-class taxonomy.

80 classes1.3 MBSep 2, 2026

personbicyclecarmotorcycle+76

object-detectioncocoimage-formats+2

Giriş#

Ultralytics COCO12-Formats veri kümesi, desteklenen 12 görüntü biçimi uzantısında görüntü yüklemeyi doğrulamak için tasarlanmış özel bir test veri kümesidir. Görüntü yükleme sürecinin kapsamlı biçimde test edilmesini sağlamak için her biri farklı bir biçimde kaydedilmiş 12 görüntü (eğitim için 6, doğrulama için 6) içerir.

Bu veri kümesi şu amaçlar için çok değerlidir:

• Görüntü biçimi desteğini test etme: Yaygın görüntü biçimlerinin doğru yüklendiğini doğrula
• CI/CD süreçleri: Biçim uyumluluğunun otomatik olarak test edilmesi
• Hata ayıklama: Eğitim süreçlerinde biçime özgü sorunları yalıtma
• Geliştirme: Yeni biçim eklemelerini veya değişikliklerini doğrulama

Ultralytics Platform üzerinde veri kümelerini yönettiğinde, bu biçimlerdeki görüntüler otomatik olarak işlenir; elle dönüştürme gerekmez.

Desteklenen Biçimler#

Veri kümesinde, ultralytics/data/utils.py içinde tanımlanan IMG_FORMATS kapsamındaki 13 görüntü biçimi uzantısının 12'sinin her biri için bir görüntü bulunur; .heif de desteklenir ancak buna ait örnek görüntü yoktur:

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 Dosyası#

COCO12-Formats veri kümesi, veri kümesi yollarını ve sınıf adlarını tanımlayan bir YAML dosyasıyla yapılandırılır. Resmî coco12-formats.yaml dosyasını Ultralytics GitHub deposunda 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#

Elle kurulum gerekmez. OpenCV çoğu biçimi doğrudan okur; AVIF, HEIC ve HEIF için Ultralytics, Pillow'a geri döner. AVIF, Pillow 11.3 veya daha yeni bir sürümde yerel olarak çözümlenir; AVIF dosyaları yüklenemiyorsa Pillow'ı yükselt. HEIC/HEIF çözümleme için gereken hafif pi-heif paketi de ilk kullanımda otomatik olarak yüklenir.

Kullanım#

COCO12-Formats veri kümesi (1 MB), eğitime ilk başladığında otomatik olarak indirilir. COCO12-Formats veri kümesinde bir YOLO modeli eğitmek için aşağıdaki örnekleri kullan:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO modeli yükle
model = YOLO("yolo26n.pt")

# Desteklenen 12 görüntü biçimini test etmek için COCO12-Formats üzerinde eğitim yap
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=640)

Biçime Özgü Notlar#

AVIF (AV1 Görüntü Dosyası Biçimi)#

AVIF, mükemmel sıkıştırma sunan AV1 video kodlayıcısını temel alan modern bir görüntü biçimidir. OpenCV AVIF desteği sunmadığında Ultralytics, ek paket gerektirmeden Pillow 11.3 veya daha yeni bir sürüm aracılığıyla kod çözme işlemi yapar.

DNG (Digital Negative)#

DNG, TIFF'i temel alan Adobe'un açık RAW biçimidir. Test amacıyla veri kümesinde .dng uzantılı TIFF tabanlı dosyalar kullanılır.

JP2 (JPEG 2000)#

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

MPO (Çoklu Görüntü Nesnesi)#

MPO dosyaları stereoskopik (3D) görüntüler için kullanılır. Veri kümesinde biçim testi amacıyla standart JPEG verileri .mpo uzantısıyla saklanır.

HEIC / HEIF (Yüksek Verimli Görüntü Dosyası Biçimi)#

Hem .heic hem de .heif uzantıları aynı ISO/IEC 23008-12 kapsayıcısını belirtir. Geleneksel olarak .heic, HEVC ile kodlanmış HEIF dosyalarını (Apple aygıtlarının ürettiği türü) belirtirken .heif daha genel bir uzantıdır.

Ultralytics her iki biçimin kodunu da ultralytics/utils/patches.py içindeki OpenCV → Pillow yedekleme yöntemiyle çözer; bu yöntem ilk kullanımda pi-heif paketini (hafif, yalnızca kod çözme) otomatik olarak yükler — okuma için elle kurulum gerekmez. HEIC/HEIF dosyalarını kendin oluşturmak (ör. örnek görüntüleri yeniden kodlamak) için kodlayıcıları da içeren tam pillow-heif paketini yükle:

pip install pillow-heif

Kullanım Alanları#

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

Biçim 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}"

Atıflar ve Teşekkürler#

Araştırmanda COCO veri kümesini kullanıyorsan lütfen şu kaynağı belirt:

@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}
}

Sık Sorulan Sorular#