Bộ dữ liệu COCO12-Formats#

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

Giới thiệu#

Bộ dữ liệu COCO12-Formats của Ultralytics là bộ dữ liệu kiểm thử chuyên biệt, được thiết kế để xác thực khả năng tải ảnh trên 12 phần mở rộng định dạng ảnh được hỗ trợ. Bộ dữ liệu gồm 12 ảnh (6 ảnh huấn luyện, 6 ảnh xác thực), mỗi ảnh được lưu ở một định dạng khác nhau để kiểm thử toàn diện pipeline tải ảnh.

Bộ dữ liệu này rất hữu ích cho các mục đích sau:

• Kiểm thử khả năng hỗ trợ định dạng ảnh: Xác minh các định dạng ảnh phổ biến được tải chính xác
• Pipeline CI/CD: Kiểm thử tự động khả năng tương thích định dạng
• Gỡ lỗi: Cô lập các vấn đề đặc thù của định dạng trong pipeline huấn luyện
• Phát triển: Xác thực các định dạng mới được bổ sung hoặc thay đổi

Khi quản lý bộ dữ liệu trên Ultralytics Platform, ảnh ở bất kỳ định dạng nào trong số này đều được xử lý tự động—không cần chuyển đổi thủ công.

Các định dạng được hỗ trợ#

Bộ dữ liệu bao gồm một ảnh cho mỗi định dạng trong số 12 phần mở rộng định dạng ảnh thuộc 13 phần mở rộng trong IMG_FORMATS (được định nghĩa trong ultralytics/data/utils.py); .heif cũng được hỗ trợ nhưng không có ảnh mẫu:

Cấu trúc dataset#

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

YAML của dataset#

Bộ dữ liệu COCO12-Formats được cấu hình bằng tệp YAML định nghĩa đường dẫn bộ dữ liệu và tên lớp. Bạn có thể xem tệp coco12-formats.yaml chính thức trong kho GitHub của Ultralytics.

# 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

Yêu cầu#

Không cần thiết lập thủ công. OpenCV đọc trực tiếp hầu hết định dạng, còn Ultralytics chuyển sang dùng Pillow khi gặp AVIF, HEIC và HEIF. Pillow 11.3 trở lên giải mã AVIF trực tiếp, vì vậy hãy nâng cấp Pillow nếu không tải được tệp AVIF; để giải mã HEIC/HEIF, gói nhẹ pi-heif sẽ tự động được cài đặt trong lần sử dụng đầu tiên.

Cách sử dụng#

Bộ dữ liệu COCO12-Formats (1 MB) sẽ tự động được tải xuống khi bạn bắt đầu huấn luyện lần đầu. Để huấn luyện model YOLO trên bộ dữ liệu COCO12-Formats, hãy dùng các ví dụ sau:

from ultralytics import YOLO

# Tải model YOLO pretrained
model = YOLO("yolo26n.pt")

# Huấn luyện trên COCO12-Formats để kiểm thử 12 định dạng ảnh được hỗ trợ
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=640)

Lưu ý riêng theo định dạng#

AVIF (Định dạng tệp ảnh AV1)#

AVIF là định dạng ảnh hiện đại dựa trên codec video AV1, có khả năng nén rất tốt. Khi OpenCV không hỗ trợ AVIF, Ultralytics giải mã định dạng này thông qua Pillow 11.3 trở lên mà không cần thêm gói nào.

DNG (Digital Negative)#

DNG là định dạng RAW mở của Adobe, dựa trên TIFF. Để kiểm thử, bộ dữ liệu sử dụng các tệp dựa trên TIFF có phần mở rộng .dng.

JP2 (JPEG 2000)#

JPEG 2000 là tiêu chuẩn nén ảnh dựa trên wavelet, cho khả năng nén và chất lượng tốt hơn JPEG truyền thống. Định dạng này thường được dùng trong chẩn đoán hình ảnh y tế (DICOM), ứng dụng địa không gian và điện ảnh kỹ thuật số. Cả OpenCV và Pillow đều hỗ trợ định dạng này theo mặc định.

MPO (Đối tượng nhiều ảnh)#

Tệp MPO được dùng cho ảnh lập thể (3D). Để kiểm thử định dạng, bộ dữ liệu lưu dữ liệu JPEG tiêu chuẩn với phần mở rộng .mpo.

HEIC / HEIF (Định dạng tệp ảnh hiệu suất cao)#

Cả phần mở rộng .heic và .heif đều tham chiếu đến cùng một container ISO/IEC 23008-12. Theo quy ước, .heic biểu thị các tệp HEIF được mã hóa bằng HEVC (biến thể do thiết bị Apple tạo ra), còn .heif là phần mở rộng bao quát hơn.

Ultralytics giải mã cả hai định dạng thông qua cơ chế dự phòng OpenCV → Pillow trong ultralytics/utils/patches.py, cơ chế này tự động cài đặt pi-heif (gọn nhẹ, chỉ dùng để giải mã) trong lần sử dụng đầu tiên — không cần thiết lập thủ công để đọc tệp. Để tự tạo tệp HEIC/HEIF (ví dụ: mã hóa lại ảnh mẫu), hãy cài đặt gói đầy đủ pillow-heif, bao gồm các bộ mã hóa:

pip install pillow-heif

Trường hợp sử dụng#

Kiểm thử CI/CD#

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

Xác thực định dạng#

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}"

Trích dẫn và lời cảm ơn#

Nếu sử dụng bộ dữ liệu COCO trong nghiên cứu, vui lòng trích dẫn:

@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}
}

Câu hỏi thường gặp#