Ultralytics YOLO27：
CC BY 4.0

COCO12-Formats 数据集#

简介#

Ultralytics COCO12-Formats 数据集是一个专用测试数据集，用于验证跨 12 种受支持图像格式扩展名的图像加载功能。它包含 12 张图像（6 张用于训练，6 张用于验证），每张图像都以不同格式保存，以确保对图像加载流水线进行全面测试。

该数据集对于以下用途非常有价值：

  • 测试图像格式支持：验证常见图像格式是否能正确加载
  • CI/CD 流水线：自动测试格式兼容性
  • 调试：隔离训练流水线中特定格式的问题
  • 开发：验证新增或变更的格式

当你在 Ultralytics Platform 上管理数据集时，其中任一格式的图像都会自动处理，无需手动转换。

支持的格式#

该数据集为 ultralytics/data/utils.py 中定义的 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.avifAV1 图像文件格式（现代格式）训练
BMP.bmp位图 - 未压缩的光栅格式训练
DNG.dng数字负片 - Adobe RAW 格式训练
HEIC.heic高效图像编码训练
JPEG.jpeg使用完整扩展名的 JPEG训练
JPG.jpg使用短扩展名的 JPEG训练
JP2.jp2JPEG 2000 - 医疗/地理空间验证
MPO.mpo多图像对象（立体图像）验证
PNG.png可移植网络图形验证
TIF.tif使用短扩展名的 TIFF验证
TIFF.tiff标记图像文件格式验证
WebP.webp现代 Web 图像格式验证

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

数据集 YAML#

COCO12-Formats 数据集通过 YAML 文件进行配置，该文件定义了数据集路径和类别名称。你可以在 Ultralytics GitHub 仓库中查看官方的 coco12-formats.yaml 文件。

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

要求#

无需手动设置。OpenCV 可以直接读取大多数格式，对于 AVIF、HEIC 和 HEIF，Ultralytics 会回退到使用 Pillow。AVIF 由 Pillow 11.3 或更高版本原生解码，因此如果 AVIF 文件加载失败，请升级 Pillow，而 HEIC/HEIF 解码会在首次使用时自动安装轻量级的 pi-heif 软件包。

使用方法#

COCO12-Formats 数据集（1 MB）会在你首次开始训练时自动下载。要在 COCO12-Formats 数据集上训练 YOLO 模型，请使用以下示例：

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)

特定格式说明#

AVIF（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，具有出色的压缩性能。当 OpenCV 不支持 AVIF 时，Ultralytics 会通过 Pillow 11.3 或更高版本对其进行解码，无需额外的软件包。

DNG（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。

JP2（JPEG 2000）#

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

MPO（多图像对象）#

MPO 文件用于立体（3D）图像。该数据集使用带有 .mpo 扩展名的标准 JPEG 数据进行格式测试。

HEIC / HEIF（高效图像文件格式）#

.heic 和 .heif 扩展名都指向同一个 ISO/IEC 23008-12 容器。按照惯例，.heic 表示采用 HEVC 编码的 HEIF 文件（Apple 设备生成的变体），而 .heif 是范围更广的统称扩展名。

Ultralytics 通过 ultralytics/utils/patches.py 中的 OpenCV → Pillow 回退机制解码这两种格式；首次使用时，该机制会自动安装 pi-heif（轻量级、仅用于解码），读取时无需手动设置。若要自行生成 HEIC/HEIF 文件（例如重新编码示例图像），请安装完整的 pillow-heif 软件包，其中包含编码器：

pip install pillow-heif

使用场景#

CI/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

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}"

引用和致谢#

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}
}

常见问题#

  • COCO12-Formats 数据集用于测试 Ultralytics YOLO 训练流水线中的图像格式兼容性。它确保 12 种受支持的图像格式（AVIF、BMP、DNG、HEIC、JP2、JPEG、JPG、MPO、PNG、TIF、TIFF、WebP）能够正确加载和处理。

  • 不同图像格式具有各自的特性（压缩、位深、色彩空间）。测试所有格式可以确保：

    • 稳健的图像加载代码
    • 跨不同数据集的兼容性
    • 及早发现特定格式的错误

  • 无需手动安装任何内容。AVIF 由 Pillow 11.3 或更高版本原生解码，HEIC/HEIF 解码会在首次使用时自动安装 pi-heif。只有在你需要自己编写 HEIC/HEIF 文件时，才需要安装完整的 pillow-heif 软件包。

贡献者
GLglenn-jocher6RAraimbekovm2PDpderrenger1ONonuralpszr1

评论