Dataset 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#

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

Dataset này vô cùng hữu ích cho:

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

Khi quản lý dataset 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#

Dataset bao gồm một ảnh cho mỗi phần mở rộng trong 12 định dạng 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 của bộ dữ liệu#

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

Yêu cầu#

Không cần thiết lập thủ công. OpenCV đọc trực tiếp hầu hết các định dạng, và Ultralytics chuyển sang Pillow cho AVIF, HEIC, và HEIF. AVIF được giải mã nguyên bản bởi Pillow 11.3 hoặc mới hơn, vì vậy hãy nâng cấp Pillow nếu tệp AVIF không tải được, và quá trình giải mã HEIC/HEIF sẽ tự động cài đặt gói pi-heif nhẹ ở lần sử dụng đầu tiên.

Cách sử dụng#

Dataset COCO12-Formats (1 MB) sẽ tự động được tải xuống lần đầu bạn bắt đầu huấn luyện. Để huấn luyện một model YOLO trên dataset 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 theo từng định dạng#

AVIF (Định dạng tệp ảnh AV1)#

AVIF là định dạng hình ảnh hiện đại dựa trên bộ giải mã video AV1, mang lại khả năng nén xuất sắc. Ultralytics giải mã định dạng này thông qua Pillow 11.3 hoặc mới hơn khi OpenCV thiếu hỗ trợ AVIF, mà không cần thêm gói bổ sung nào.

DNG (Digital Negative)#

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

JP2 (JPEG 2000)#

JPEG 2000 là một tiêu chuẩn nén ảnh dựa trên wavelet, cung cấp khả năng nén và chất lượng tốt hơn JPEG truyền thống. Định dạng này thường được sử dụng trong imaging y tế (DICOM), các ứng dụng địa không gian và điện ảnh kỹ thuật số. Được OpenCV và Pillow hỗ trợ nguyên bản.

MPO (Đối tượng đa ảnh)#

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

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 thông qua cơ chế dự phòng OpenCV → Pillow trong ultralytics/utils/patches.py, cơ chế này 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 tệp HEIC/HEIF (ví dụ: mã hóa lại ảnh mẫu), hãy cài đặt package pillow-heif đầy đủ, trong đó có 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 đóng góp#

Nếu sử dụng dataset 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}
}

FAQ#