Link to this sectionCOCO12-Formats 数据集#

Link to this section简介#

Ultralytics COCO12-Formats 数据集是一个专门的测试数据集，旨在验证 12 种受支持图像格式扩展名的图像加载情况。它包含 12 张图像（6 张用于训练，6 张用于验证），每张图像都以不同的格式保存，以确保对图像加载流程进行全面测试。

此数据集对于以下用途非常有价值：

测试图像格式支持：验证常用图像格式是否能正确加载
CI/CD 流水线：格式兼容性的自动化测试
调试：隔离训练流水线中特定格式的问题
开发：验证新格式的添加或更改

Link to this section支持的格式#

该数据集为 ultralytics/data/utils.py 中定义的每种 12 种受支持格式扩展名各包含一张图像：

格式	扩展名	描述	训练/验证
AVIF	`.avif`	AV1 图像文件格式（现代）	训练
BMP	`.bmp`	位图 - 未压缩的栅格格式	训练
DNG	`.dng`	数字负片 - Adobe RAW 格式	训练
HEIC	`.heic`	高效图像编码	训练
JPEG	`.jpeg`	具有完整扩展名的 JPEG	训练
JPG	`.jpg`	具有简短扩展名的 JPEG	训练
JP2	`.jp2`	JPEG 2000 - 医疗/地理空间	验证
MPO	`.mpo`	多图片对象（立体图像）	验证
PNG	`.png`	便携式网络图形	验证
TIF	`.tif`	具有简短扩展名的 TIFF	验证
TIFF	`.tiff`	标签图像文件格式	验证
WebP	`.webp`	现代 Web 图像格式	验证

Link to this section数据集结构#

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 section数据集 YAML#

The COCO12-Formats dataset is configured using a YAML file that defines dataset paths and class names. You can review the official coco12-formats.yaml file in the Ultralytics GitHub repository.

ultralytics/cfg/datasets/coco12-formats.yaml

# 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 section要求#

某些格式需要额外的依赖项：

pip install pillow pillow-heif pillow-avif-plugin

Link to this sectionAVIF 系统库（可选）#

为了让 OpenCV 直接读取 AVIF 文件，必须在构建 OpenCV 之前安装 libavif：

brew install libavif

注意

通过 pip 安装的 opencv-python 包由于是预构建的，可能不包含 AVIF 支持。当 OpenCV 缺乏支持时，Ultralytics 会使用带有 pillow-avif-plugin 的 Pillow 作为 AVIF 图像的备选方案。

Link to this section用法#

要使用 COCO12-Formats 数据集训练 YOLO 模型，请参考以下示例：

训练示例

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 section格式特定说明#

Link to this sectionAVIF (AV1 图像文件格式)#

AVIF 是一种基于 AV1 视频编解码器的现代图像格式，提供出色的压缩效果。需要 pillow-avif-plugin：

pip install pillow-avif-plugin

Link to this sectionDNG (数字负片)#

DNG 是 Adobe 基于 TIFF 的开放 RAW 格式。出于测试目的，该数据集使用带有 .dng 扩展名的基于 TIFF 的文件。

Link to this sectionJP2 (JPEG 2000)#

JPEG 2000 是一种基于小波的图像压缩标准，比传统 JPEG 提供更好的压缩效果和质量。通常用于医学影像 (DICOM)、地理空间应用和数字电影。OpenCV 和 Pillow 均原生支持此格式。

Link to this sectionMPO (多图片对象)#

MPO 文件用于立体（3D）图像。该数据集存储带有 .mpo 扩展名的标准 JPEG 数据，用于格式测试。

Link to this sectionHEIC (高效图像编码)#

HEIC 需要 pillow-heif 包才能进行正确编码：

pip install pillow-heif

Link to this section用例#

Link to this sectionCI/CD 测试#

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 section格式验证#

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 section引用与致谢#

如果你在研究中使用 COCO 数据集，请引用：

引用

@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 section常见问题解答#