Bộ dữ liệu định dạng COCO12

Giới thiệu

Bộ dữ liệu Ultralytics COCO12-Formats là một bộ dữ liệu thử nghiệm chuyên dụng được thiết kế để xác thực việc tải ảnh trên tất cả 12 định dạng ảnh được hỗ trợ. Nó chứa 12 ảnh (6 ảnh để huấn luyện, 6 ảnh để xác thực), mỗi ảnh được lưu ở một định dạng khác nhau để đảm bảo kiểm tra toàn diện quy trình tải ảnh.

Bộ dữ liệu này vô cùng quý giá cho:

• Kiểm tra khả năng hỗ trợ định dạng hình ảnh : Xác minh rằng tất cả các định dạng được hỗ trợ đều tải đúng cách.
• Quy trình CI/CD : Kiểm tra tự động khả năng tương thích định dạng
• Gỡ lỗi : Cô lập các vấn đề cụ thể về định dạng trong quy trình huấn luyện.
• Phát triển : Xác thực các bổ sung hoặc thay đổi định dạng mới.

Các định dạng được hỗ trợ

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

Cấu trúc bộ 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 bộ dữ liệu

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

# 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

Tạo lập bộ dữ liệu

Tập dữ liệu có thể được tạo ra bằng cách sử dụng tập lệnh được cung cấp, tập lệnh này chuyển đổi hình ảnh nguồn từ... COCO8 Và COCO128 Hỗ trợ tất cả các định dạng:

from ultralytics.data.scripts.generate_coco12_formats import generate_coco12_formats

# Generate the dataset
generate_coco12_formats()

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)

Vì OpenCV để đọc trực tiếp các tệp AVIF, libavif phải được cài đặt trước xây dựng OpenCV :

brew install libavif

sudo apt install libavif-dev libavif-bin

git clone -b v1.2.1 https://github.com/AOMediaCodec/libavif.git
cd libavif
cmake -B build -DAVIF_CODEC_AOM=SYSTEM -DAVIF_BUILD_APPS=ON
cmake --build build --config Release --parallel
sudo cmake --install build

Cách sử dụng

Để huấn luyện một YOLO Để xây dựng mô hình 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 all image formats
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=640)

# Train YOLO on COCO12-Formats
yolo detect train data=coco12-formats.yaml model=yolo26n.pt epochs=1 imgsz=640

Ghi chú theo định dạng cụ thể

AVIF (Định dạng tệp hình ảnh AV1)

AVIF là định dạng hình ảnh hiện đại dựa trên codec video AV1, cung cấp khả năng nén tuyệt vời. Yêu cầu... pillow-avif-plugin:

pip install pillow-avif-plugin

DNG (Digital Negative)

DNG là định dạng RAW mở của Adobe, dựa trên TIFF. Để phục vụ mục đích thử nghiệm, bộ dữ liệu sử dụng các tệp dựa trên TIFF với... .dng sự mở rộng.

JP2 (JPEG 2000)

JPEG 2000 là một tiêu chuẩn nén ảnh dựa trên sóng wavelet, cung cấp khả năng nén và chất lượng tốt hơn so với JPEG truyền thống. Thường được sử dụng trong hình ảnh y tế (DICOM), các ứng dụng không gian địa lý và điện ảnh kỹ thuật số. Được hỗ trợ nguyên bản bởi cả hai hệ điều hành. OpenCV và Gối.

MPO (Đối tượng đa hình ảnh)

Các tệp MPO được sử dụng cho hình ảnh lập thể (3D). Tập dữ liệu lưu trữ dữ liệu JPEG tiêu chuẩn với... .mpo Tiện ích mở rộng để kiểm tra định dạng.

HEIC (Mã hóa hình ảnh hiệu quả cao)

HEIC yêu cầu pillow-heif gói phần mềm để mã hóa đúng cách:

pip install pillow-heif

Các Trường hợp Sử dụng

Kiểm thử CI/CD

from ultralytics import YOLO


def test_all_image_formats():
    """Test that all 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 formats are represented
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"Missing formats: {IMG_FORMATS - found_formats}"

Trích dẫn và Lời cảm ơn

Nếu bạn sử dụng COCO Nếu bạn sử dụng bộ dữ liệu này 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

Bộ dữ liệu COCO12-Formats được sử dụng để làm gì?

Bộ dữ liệu COCO12-Formats được thiết kế để kiểm tra khả năng tương thích định dạng hình ảnh trong Ultralytics YOLO Quy trình huấn luyện. Nó đảm bảo tất cả 12 định dạng hình ảnh được hỗ trợ (AVIF, BMP, DNG, HEIC, JP2, JPEG, JPG, MPO, PNG, TIF, TIFF, WebP) được tải và xử lý chính xác.

Tại sao cần kiểm tra nhiều định dạng hình ảnh khác nhau?

Các định dạng hình ảnh khác nhau có những đặc điểm riêng biệt (nén, độ sâu bit, không gian màu). Việc kiểm tra tất cả các định dạng đảm bảo:

• Mã tải hình ảnh mạnh mẽ
• Khả năng tương thích trên các tập dữ liệu đa dạng
• Phát hiện sớm các lỗi đặc thù của định dạng

Những định dạng nào yêu cầu các phụ thuộc đặc biệt?

• AVIF: Yêu cầu pillow-avif-plugin
• HEIC: Yêu cầu pillow-heif

Tôi có thể thêm các bài kiểm tra định dạng mới không?

Đúng vậy! Hãy chỉnh sửa generate_coco12_formats.py Tập lệnh cần bao gồm các định dạng bổ sung. Hãy đảm bảo bạn cũng cập nhật IMG_FORMATS trong ultralytics/data/utils.py.

📅 Được tạo 0 ngày trước ✏️ Cập nhật 0 ngày trước

Bình luận