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 formatı uzantısında görüntü yüklemeyi doğrulamak için tasarlanmış özel bir test veri kümesidir. Görüntü yükleme işlem hattının kapsamlı şekilde test edilmesini sağlamak amacıyla her biri farklı bir formatta kaydedilmiş 12 görüntü (6 eğitim, 6 doğrulama) içerir.

Bu veri kümesi şu amaçlar için son derece değerlidir:

• Görüntü formatı desteğini test etme: Yaygın görüntü formatlarının doğru şekilde yüklendiğini doğrulama
• CI/CD işlem hatları: Format uyumluluğunun otomatik olarak test edilmesi
• Hata ayıklama: Formatlara özgü sorunları eğitim işlem hatlarında izole etme
• Geliştirme: Yeni format eklemelerini veya değişikliklerini doğrulama

Ultralytics Platform üzerinde veri kümelerini yönettiğinde, bu formatlardan herhangi birindeki görüntüler otomatik olarak işlenir—manuel dönüştürme gerekmez.

Desteklenen Formatlar#

Veri kümesi, ultralytics/data/utils.py içinde tanımlanan desteklenen 12 format uzantısının her biri için 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'i#

COCO12-Formats veri kümesi, veri kümesi yollarını ve sınıf adlarını tanımlayan bir YAML dosyası kullanılarak 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#

Manuel bir kurulum gerekmez. OpenCV çoğu formatı doğrudan okur ve Ultralytics, AVIF, HEIC ve HEIF için Pillow'a başvurur. AVIF, Pillow 11.3 veya daha yenisi tarafından yerel olarak çözülür; bu nedenle AVIF dosyaları yüklenemezse Pillow'u yükselt ve HEIC/HEIF kod çözme işlemi ilk kullanımda hafif pi-heif paketini otomatik olarak kurar.

Kullanım#

COCO12-Formats veri kümesi (1 MB), eğitimi ilk kez başlattığında otomatik olarak indirilir. COCO12-Formats veri kümesi üzerinde bir YOLO modeli eğitmek için aşağıdaki 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 Özgü Notlar#

AVIF (AV1 Görüntü Dosyası Formatı)#

AVIF, mükemmel sıkıştırma sunan, AV1 video codec bileşenini temel alan modern bir görüntü formatıdır. OpenCV AVIF desteğinden yoksun olduğunda Ultralytics, ekstra paket gerektirmeden bunu Pillow 11.3 veya daha yenisi aracılığıyla çözer.

DNG (Digital Negative)#

DNG, TIFF tabanlı, Adobe'un açık RAW formatıdır. Test amacıyla veri kümesi, .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 görüntü sıkıştırma standardıdır. Tıbbi görüntüleme (DICOM), jeo-uzamsal uygulamalar 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 kümesi, format testi için .mpo uzantısına sahip standart JPEG verilerini depolar.

HEIC / HEIF (Yüksek Verimli Görüntü Dosyası Formatı)#

Hem .heic hem de .heif uzantıları aynı ISO/IEC 23008-12 kapsayıcısına başvurur. Kural gereği .heic, HEVC ile kodlanmış HEIF dosyalarını (Apple aygıtlarının ürettiği varyant) belirtirken .heif daha geniş kapsamlı uzantıdır.

Ultralytics, her ikisinin kodunu da ultralytics/utils/patches.py içindeki OpenCV → Pillow geri dönüş mekanizmasıyla çözer; bu mekanizma ilk kullanımda pi-heif (hafif, yalnızca kod çözme amaçlı) paketini otomatik olarak kurar — okuma için manuel kurulum gerekmez. HEIC/HEIF dosyalarını kendin üretmek (ör. örnek görüntüleri yeniden kodlamak) için kodlayıcıları içeren tam pillow-heif paketini kur:

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

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}"

Atıflar ve Teşekkürler#

Araştırmanda COCO veri kümesini kullanıyorsan lütfen şu kaynağa atıfta bulun:

@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#