Link to this sectionCOCO12-Formats Veri Kümesi#

Link to this sectionGiriş#

Ultralytics COCO12-Formats veri kümesi, desteklenen 12 görsel format uzantısında görsel yüklemeyi doğrulamak için tasarlanmış özel bir test veri kümesidir. Görüntü yükleme hattının kapsamlı bir şekilde test edilmesini sağlamak için her biri farklı bir formatta kaydedilmiş 12 görsel (6 eğitim, 6 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

Link to this sectionDesteklenen Formatlar#

Veri kümesi, ultralytics/data/utils.py içinde tanımlanan desteklenen 12 format uzantısının her biri için bir görsel içerir:

Link to this sectionVeri 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

Link to this sectionVeri Kümesi YAML#

COCO12-Formats veri kümesi, veri kümesi yollarını ve sınıf adlarını tanımlayan bir YAML dosyası kullanılarak yapılandırılmıştır. Resmi 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

Link to this sectionGereksinimler#

Bazı formatlar ek bağımlılıklar gerektirir:

pip install pillow pillow-heif pillow-avif-plugin

Link to this sectionAVIF Sistem Kütüphanesi (İsteğe bağlı)#

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

brew install libavif

Link to this sectionKullanım#

Bir YOLO modelini COCO12-Formats veri kümesi üzerinde 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)

Link to this sectionFormata Özel Notlar#

Link to this sectionAVIF (AV1 Görsel Dosya Formatı)#

AVIF, AV1 video kodlayıcısını temel alan ve mükemmel sıkıştırma sunan modern bir görsel formatıdır. pillow-avif-plugin gerektirir:

pip install pillow-avif-plugin

Link to this sectionDNG (Dijital Negatif)#

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

Link to this sectionJP2 (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.

Link to this sectionMPO (Çoklu Resim Nesnesi)#

MPO dosyaları stereoskopik (3D) görseller için kullanılır. Veri kümesi, format testi için .mpo uzantılı standart JPEG verilerini depolar.

Link to this sectionHEIC (Yüksek Verimli Görsel Kodlama)#

HEIC, düzgün kodlama için pillow-heif paketini gerektirir:

pip install pillow-heif

Link to this sectionKullanım Durumları#

Link to this sectionCI/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

Link to this sectionFormat 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}"

Link to this sectionAlıntılar 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}
}

Link to this sectionSSS#

Link to this sectionCOCO12-Formats Veri Kümesi Ne İçin Kullanılır?#

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

Link to this sectionNeden Birden Fazla Görsel Formatı Test Edilmeli?#

Farklı görsel formatları benzersiz özelliklere (sıkıştırma, renk derinliği, renk uzayları) sahiptir. Tüm formatları test etmek şunları sağlar:

• Sağlam görsel yükleme kodu
• Çeşitli veri kümelerinde uyumluluk
• Formata özel hataların erkenden tespit edilmesi

Link to this sectionHangi Formatlar Özel Bağımlılıklar Gerektirir?#

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