Bộ dữ liệu COCO12-Formats#

Giới thiệu#

Dataset Ultralytics COCO12-Formats là một dataset thử nghiệm chuyên dụng được thiết kế để xác thực quá trình tải ảnh trên 12 phần mở rộng định dạng ảnh được hỗ trợ. Nó chứa 12 ảnh (6 cho huấn luyện, 6 cho xác thực), mỗi ảnh được lưu ở một định dạng khác nhau nhằm đảm bảo kiểm thử toàn diện pipeline tải ảnh.

Bộ dữ liệu này vô cùng giá trị cho:

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

Khi bạn quản lý các dataset trên Ultralytics Platform, các 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#

Dataset bao gồm một ảnh cho mỗi định dạng trong số 12 phần mở rộng định dạng được hỗ trợ được định nghĩa trong ultralytics/data/utils.py:

Cấu trúc tập dữ liệu#

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 tập dữ liệu#

Dataset COCO12-Formats được cấu hình bằng tệp YAML định nghĩa các đường dẫn dataset và tên các class. Bạn có thể xem tệp coco12-formats.yaml chính thức trong Ultralytics GitHub repository.

# 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#

Một số định dạng yêu cầu các phụ thuộc bổ sung:

pip install pillow pillow-heif pillow-avif-plugin

Thư viện hệ thống AVIF (Tùy chọn)#

Để OpenCV đọc trực tiếp các tệp AVIF, libavif phải được cài đặt trước khi build OpenCV:

brew install libavif

Cách sử dụng#

Tập dữ liệu COCO12-Formats (1 MB) sẽ tự động tải xuống trong lần đầu tiên bạn bắt đầu huấn luyện. Để huấn luyện model YOLO trên tập dữ liệu COCO12-Formats, hãy sử dụng các ví dụ sau:

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)

Ghi chú cụ thể theo định dạng#

AVIF (AV1 Image File Format)#

AVIF là một định dạng ảnh hiện đại dựa trên video codec AV1, mang lại khả năng nén xuất sắc. Yêu cầu pillow-avif-plugin:

pip install pillow-avif-plugin

DNG (Digital Negative)#

DNG là định dạng RAW mở của Adobe dựa trên TIFF. Cho mục đích kiểm thử, dataset sử dụng các tệp dựa trên TIFF với phần mở rộng .dng.

JP2 (JPEG 2000)#

JPEG 2000 là tiêu chuẩn nén hình ảnh dựa trên wavelet mang lại khả năng nén và chất lượng tốt hơn JPEG truyền thống. Thường được sử dụng trong hình ảnh y tế (DICOM), các ứng dụng địa không gian và điện ảnh kỹ thuật số. Được hỗ trợ tự nhiên bởi cả OpenCV và Pillow.

MPO (Multi-Picture Object)#

Các tệp MPO được sử dụng cho ảnh lập thể (3D). Dataset lưu trữ dữ liệu JPEG tiêu chuẩn với phần mở rộng .mpo để kiểm thử định dạng.

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

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

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

pip install pillow-heif

Các 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 Ghi nhận#

Nếu bạn sử dụng bộ dữ liệu COCO trong nghiên cứu của mình, 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#