مجموعة بيانات Objects365#

مجموعة بيانات Objects365 هي معيار اكتشاف الكائنات واسع النطاق يضم 1,742,289 صورة تدريب و80,000 صورة تحقق تغطي 365 فئة من الكائنات — بدءاً من الأشخاص والسيارات والكراسي وصولاً إلى الزجاجات والكلاب وأعمدة إنارة الشارع. تم إنشاؤها بواسطة باحثي Megvii وتم تقديمها في مؤتمر ICCV 2019، وهي تركز على الكائنات المتنوعة في البيئة الطبيعية وتُستخدم على نطاق واسع لتدريب نماذج رؤية الكمبيوتر مسبقاً لتحقيق تعميم أفضل من تلك المدربة مسبقاً على ImageNet.

Watch: How to Train Ultralytics YOLO on the Objects365 Dataset

نماذج Objects365 المدربة مسبقاً#

تنشر Ultralytics نماذج اكتشاف وتجزئة YOLO26 المدربة مسبقاً على Objects365v1، بحيث يمكنك اكتشاف فئاتها الـ 365 دون الحاجة لتنزيل مجموعة البيانات. تم تدريب جميع النماذج لمدة 150 حقبة بحجم صورة 640.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	mAP^{التحقق 50}	المعلمات ^(M)	FLOPs ^(B)
YOLO26n	640	16.3	22.3	2.5	6.0
YOLO26s	640	24.3	31.7	9.6	21.3
YOLO26m	640	30.3	38.2	20.6	69.4
YOLO26l	640	32.2	40.1	25.0	87.7
YOLO26x	640	35.8	44.1	56.1	195.7

تستخدم نماذج التجزئة الأقنعة التي تم إنشاؤها لـ Objects365v1 وتُبلغ عن دقة كل من الصندوق والقناع:

النموذج	الحجم ^(بكسل)	mAP^{الصندوق 50-95}	mAP^{القناع 50-95}	المعلمات ^(M)	FLOPs ^(B)
YOLO26n-seg	640	15.7	13.2	2.8	9.7
YOLO26s-seg	640	23.8	19.5	10.5	34.8
YOLO26m-seg	640	29.5	23.8	23.8	122.7
YOLO26l-seg	640	31.7	25.3	28.2	141.0
YOLO26x-seg	640	35.4	27.9	63.1	315.3

قيم mAP^val هي لنماذج مفردة بمقياس مفرد على مجموعة التحقق Objects365v1.
قيم المعلمات (Params) والعمليات الحسابية (FLOPs) تخص النموذج المدمج بعد model.fuse().

يمكنك تشغيل التنبؤ أو بدء الضبط الدقيق من نقاط التحقق هذه على النحو التالي.

مثال على استخدام النموذج المدرب مسبقًا

from ultralytics import YOLO

# Load an Objects365 pretrained YOLO26n model
model = YOLO("yolo26n-objv1-150.pt")

# Run prediction
results = model.predict(source="image.jpg")

# Start training from the pretrained checkpoint
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

الميزات الرئيسية#

تحدد Objects365 عدد 365 فئة كائن، ويفيد الإصدار الأولي بوجود حوالي 2 مليون صورة مع 30 مليون مربع إحاطة إجمالاً.
تتضمن مجموعة البيانات كائنات متنوعة في سيناريوهات واقعية مختلفة، مما يوفر معياراً غنياً وصعباً لمهام كشف الكائنات.
تتضمن التعليقات التوضيحية مربعات إحاطة للكائنات، مما يجعلها مناسبة لتدريب وتقييم نماذج اكتشاف الكائنات.
وفقاً لـ ورقة بحث ICCV 2019، يتفوق التدريب المسبق لـ Objects365 على التدريب المسبق لـ ImageNet بمقدار 5.6 نقاط (42.0 مقابل 36.4 mAP) على معيار COCO.

هيكل مجموعة البيانات#

تحدد تكوين Ultralytics لـ Objects365.yaml قسمين:

التقسيم (Split)	الصور	الوصف
التدريب	1,742,289	صور مصنفة لتدريب النموذج
التحقق	80,000	صور مستبعدة للتقييم والمقارنة المرجعية

يقوم التنزيل باسترجاع قسمي التدريب والتحقق — بإجمالي 1,822,289 صورة — ويتم ترك مفتاح test: في التكوين فارغاً.

التطبيقات#

تدعم مجموعة بيانات Objects365 مجموعة واسعة من تطبيقات التعلم العميق في اكتشاف الكائنات:

التدريب المسبق لهياكل الاكتشاف الأساسية (Backbones): مع 365 فئة وتعليقات توضيحية كثيفة للصناديق، يحسن التدريب المسبق لـ Objects365 عملية الضبط الدقيق اللاحقة على مجموعات بيانات أصغر مثل COCO وVOC.
التعرف على التجزئة والمخزون: مئات الفئات اليومية — زجاجات، أكواب، أحذية رياضية، حقائب يد — تدعم أنظمة مراقبة الأرفف والدفع الآلي.
الروبوتات والبيئات الذكية: تساعد التغطية الواسعة للأدوات المنزلية وكائنات الشوارع الروبوتات والكاميرات الذكية في التعرف على الكائنات في المشاهد غير المهيكلة.
قياس أداء الكاشفات: تجعل قائمة الفئات الطويلة والصور المأخوذة من العالم الحقيقي منها معياراً متطلباً لتقييم مدى قدرة نماذج الكشف على التعميم.

لتسمية صورك الخاصة، وتدريب، وإدارة مجموعات البيانات واسعة النطاق في متصفحك، قم بتشغيل سير العمل الكامل باستخدام منصة Ultralytics.

YAML مجموعة البيانات#

يحدد ملف Objects365.yaml تكوين مجموعة البيانات — مسارات مجموعة البيانات، وأسماء الفئات، والبيانات الوصفية الأخرى. يتم الاحتفاظ به في مستودع Ultralytics على الرابط https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yaml.

ultralytics/cfg/datasets/Objects365.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Objects365 dataset https://www.objects365.org/ by Megvii
# Documentation: https://docs.ultralytics.com/datasets/detect/objects365
# Example usage: yolo train data=Objects365.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── Objects365 ← downloads here (712 GB = 367G data + 345G zips)

# 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: Objects365 # dataset root dir
train: images/train # train images (relative to 'path') 1742289 images
val: images/val # val images (relative to 'path') 80000 images
test: # test images (optional)

# Classes
names:
  0: Person
  1: Sneakers
  2: Chair
  3: Other Shoes
  4: Hat
  5: Car
  6: Lamp
  7: Glasses
  8: Bottle
  9: Desk
  10: Cup
  11: Street Lights
  12: Cabinet/shelf
  13: Handbag/Satchel
  14: Bracelet
  15: Plate
  16: Picture/Frame
  17: Helmet
  18: Book
  19: Gloves
  20: Storage box
  21: Boat
  22: Leather Shoes
  23: Flower
  24: Bench
  25: Potted Plant
  26: Bowl/Basin
  27: Flag
  28: Pillow
  29: Boots
  30: Vase
  31: Microphone
  32: Necklace
  33: Ring
  34: SUV
  35: Wine Glass
  36: Belt
  37: Monitor/TV
  38: Backpack
  39: Umbrella
  40: Traffic Light
  41: Speaker
  42: Watch
  43: Tie
  44: Trash bin Can
  45: Slippers
  46: Bicycle
  47: Stool
  48: Barrel/bucket
  49: Van
  50: Couch
  51: Sandals
  52: Basket
  53: Drum
  54: Pen/Pencil
  55: Bus
  56: Wild Bird
  57: High Heels
  58: Motorcycle
  59: Guitar
  60: Carpet
  61: Cell Phone
  62: Bread
  63: Camera
  64: Canned
  65: Truck
  66: Traffic cone
  67: Cymbal
  68: Lifesaver
  69: Towel
  70: Stuffed Toy
  71: Candle
  72: Sailboat
  73: Laptop
  74: Awning
  75: Bed
  76: Faucet
  77: Tent
  78: Horse
  79: Mirror
  80: Power outlet
  81: Sink
  82: Apple
  83: Air Conditioner
  84: Knife
  85: Hockey Stick
  86: Paddle
  87: Pickup Truck
  88: Fork
  89: Traffic Sign
  90: Balloon
  91: Tripod
  92: Dog
  93: Spoon
  94: Clock
  95: Pot
  96: Cow
  97: Cake
  98: Dining Table
  99: Sheep
  100: Hanger
  101: Blackboard/Whiteboard
  102: Napkin
  103: Other Fish
  104: Orange/Tangerine
  105: Toiletry
  106: Keyboard
  107: Tomato
  108: Lantern
  109: Machinery Vehicle
  110: Fan
  111: Green Vegetables
  112: Banana
  113: Baseball Glove
  114: Airplane
  115: Mouse
  116: Train
  117: Pumpkin
  118: Soccer
  119: Skiboard
  120: Luggage
  121: Nightstand
  122: Tea pot
  123: Telephone
  124: Trolley
  125: Head Phone
  126: Sports Car
  127: Stop Sign
  128: Dessert
  129: Scooter
  130: Stroller
  131: Crane
  132: Remote
  133: Refrigerator
  134: Oven
  135: Lemon
  136: Duck
  137: Baseball Bat
  138: Surveillance Camera
  139: Cat
  140: Jug
  141: Broccoli
  142: Piano
  143: Pizza
  144: Elephant
  145: Skateboard
  146: Surfboard
  147: Gun
  148: Skating and Skiing shoes
  149: Gas stove
  150: Donut
  151: Bow Tie
  152: Carrot
  153: Toilet
  154: Kite
  155: Strawberry
  156: Other Balls
  157: Shovel
  158: Pepper
  159: Computer Box
  160: Toilet Paper
  161: Cleaning Products
  162: Chopsticks
  163: Microwave
  164: Pigeon
  165: Baseball
  166: Cutting/chopping Board
  167: Coffee Table
  168: Side Table
  169: Scissors
  170: Marker
  171: Pie
  172: Ladder
  173: Snowboard
  174: Cookies
  175: Radiator
  176: Fire Hydrant
  177: Basketball
  178: Zebra
  179: Grape
  180: Giraffe
  181: Potato
  182: Sausage
  183: Tricycle
  184: Violin
  185: Egg
  186: Fire Extinguisher
  187: Candy
  188: Fire Truck
  189: Billiards
  190: Converter
  191: Bathtub
  192: Wheelchair
  193: Golf Club
  194: Briefcase
  195: Cucumber
  196: Cigar/Cigarette
  197: Paint Brush
  198: Pear
  199: Heavy Truck
  200: Hamburger
  201: Extractor
  202: Extension Cord
  203: Tong
  204: Tennis Racket
  205: Folder
  206: American Football
  207: earphone
  208: Mask
  209: Kettle
  210: Tennis
  211: Ship
  212: Swing
  213: Coffee Machine
  214: Slide
  215: Carriage
  216: Onion
  217: Green beans
  218: Projector
  219: Frisbee
  220: Washing Machine/Drying Machine
  221: Chicken
  222: Printer
  223: Watermelon
  224: Saxophone
  225: Tissue
  226: Toothbrush
  227: Ice cream
  228: Hot-air balloon
  229: Cello
  230: French Fries
  231: Scale
  232: Trophy
  233: Cabbage
  234: Hot dog
  235: Blender
  236: Peach
  237: Rice
  238: Wallet/Purse
  239: Volleyball
  240: Deer
  241: Goose
  242: Tape
  243: Tablet
  244: Cosmetics
  245: Trumpet
  246: Pineapple
  247: Golf Ball
  248: Ambulance
  249: Parking meter
  250: Mango
  251: Key
  252: Hurdle
  253: Fishing Rod
  254: Medal
  255: Flute
  256: Brush
  257: Penguin
  258: Megaphone
  259: Corn
  260: Lettuce
  261: Garlic
  262: Swan
  263: Helicopter
  264: Green Onion
  265: Sandwich
  266: Nuts
  267: Speed Limit Sign
  268: Induction Cooker
  269: Broom
  270: Trombone
  271: Plum
  272: Rickshaw
  273: Goldfish
  274: Kiwi fruit
  275: Router/modem
  276: Poker Card
  277: Toaster
  278: Shrimp
  279: Sushi
  280: Cheese
  281: Notepaper
  282: Cherry
  283: Pliers
  284: CD
  285: Pasta
  286: Hammer
  287: Cue
  288: Avocado
  289: Hami melon
  290: Flask
  291: Mushroom
  292: Screwdriver
  293: Soap
  294: Recorder
  295: Bear
  296: Eggplant
  297: Board Eraser
  298: Coconut
  299: Tape Measure/Ruler
  300: Pig
  301: Showerhead
  302: Globe
  303: Chips
  304: Steak
  305: Crosswalk Sign
  306: Stapler
  307: Camel
  308: Formula 1
  309: Pomegranate
  310: Dishwasher
  311: Crab
  312: Hoverboard
  313: Meatball
  314: Rice Cooker
  315: Tuba
  316: Calculator
  317: Papaya
  318: Antelope
  319: Parrot
  320: Seal
  321: Butterfly
  322: Dumbbell
  323: Donkey
  324: Lion
  325: Urinal
  326: Dolphin
  327: Electric Drill
  328: Hair Dryer
  329: Egg tart
  330: Jellyfish
  331: Treadmill
  332: Lighter
  333: Grapefruit
  334: Game board
  335: Mop
  336: Radish
  337: Baozi
  338: Target
  339: French
  340: Spring Rolls
  341: Monkey
  342: Rabbit
  343: Pencil Case
  344: Yak
  345: Red Cabbage
  346: Binoculars
  347: Asparagus
  348: Barbell
  349: Scallop
  350: Noddles
  351: Comb
  352: Dumpling
  353: Oyster
  354: Table Tennis paddle
  355: Cosmetics Brush/Eyeliner Pencil
  356: Chainsaw
  357: Eraser
  358: Lobster
  359: Durian
  360: Okra
  361: Lipstick
  362: Cosmetics Mirror
  363: Curling
  364: Table Tennis

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  from concurrent.futures import ThreadPoolExecutor
  from pathlib import Path

  import numpy as np

  from ultralytics.utils import TQDM
  from ultralytics.utils.checks import check_requirements
  from ultralytics.utils.downloads import download
  from ultralytics.utils.ops import xyxy2xywhn

  check_requirements("faster-coco-eval")
  from faster_coco_eval import COCO

  # Train, Val Splits
  dir = Path(yaml["path"])
  for split, patches in [("train", 50 + 1), ("val", 43 + 1)]:
      print(f"Processing {split} in {patches} patches ...")
      images, labels = dir / "images" / split, dir / "labels" / split
      images.mkdir(parents=True, exist_ok=True)
      labels.mkdir(parents=True, exist_ok=True)

      # Download
      url = f"https://dorc.ks3-cn-beijing.ksyun.com/data-set/2020Objects365%E6%95%B0%E6%8D%AE%E9%9B%86/{split}/"
      if split == "train":
          download([f"{url}zhiyuan_objv2_{split}.tar.gz"], dir=dir)  # annotations json
          download([f"{url}patch{i}.tar.gz" for i in range(patches)], dir=images, threads=17)  # 51 patches / 17 threads = 3
      elif split == "val":
          download([f"{url}zhiyuan_objv2_{split}.json"], dir=dir)  # annotations json
          download([f"{url}images/v1/patch{i}.tar.gz" for i in range(15 + 1)], dir=images, threads=16)
          download([f"{url}images/v2/patch{i}.tar.gz" for i in range(16, patches)], dir=images, threads=16)

      # Move
      files = list(images.rglob("*.jpg"))
      with ThreadPoolExecutor(max_workers=16) as executor:
          list(TQDM(executor.map(lambda f: f.rename(images / f.name), files), total=len(files), desc=f"Moving {split} images"))

      # Labels
      coco = COCO(dir / f"zhiyuan_objv2_{split}.json")
      names = [x["name"] for x in coco.loadCats(coco.getCatIds())]
      for cid, cat in enumerate(names):
          catIds = coco.getCatIds(catNms=[cat])
          imgIds = coco.getImgIds(catIds=catIds)

          def process_annotation(im):
              """Process and write annotations for a single image."""
              try:
                  width, height = im["width"], im["height"]
                  path = Path(im["file_name"])
                  with open(labels / path.with_suffix(".txt").name, "a", encoding="utf-8") as file:
                      annIds = coco.getAnnIds(imgIds=im["id"], catIds=catIds, iscrowd=None)
                      for a in coco.loadAnns(annIds):
                          x, y, w, h = a["bbox"]  # bounding box in xywh (xy top-left corner)
                          xyxy = np.array([x, y, x + w, y + h])[None]  # pixels(1,4)
                          x, y, w, h = xyxy2xywhn(xyxy, w=width, h=height, clip=True)[0]  # normalized and clipped
                          file.write(f"{cid} {x:.5f} {y:.5f} {w:.5f} {h:.5f}\n")
              except Exception as e:
                  print(e)

          images_list = coco.loadImgs(imgIds)
          with ThreadPoolExecutor(max_workers=16) as executor:
              list(TQDM(executor.map(process_annotation, images_list), total=len(images_list), desc=f"Class {cid + 1}/{len(names)} {cat}"))

الاستخدام#

تنزيل بحجم 712 جيجابايت

يتم تنزيل Objects365 تلقائياً عند الاستخدام الأول ويتطلب حوالي 712 جيجابايت من مساحة القرص الفارغة — 345 جيجابايت من أرشيفات المضغوطة التي يتم تنزيلها بالإضافة إلى 367 جيجابايت لمجموعة البيانات المستخرجة. يقوم سكريبت التنزيل بتثبيت حزمة faster-coco-eval وتحويل التعليقات التوضيحية إلى تنسيق YOLO، وهو ما قد يستغرق وقتاً طويلاً اعتماداً على اتصالك والأجهزة الخاصة بك.

لتدريب نموذج YOLO26n على مجموعة بيانات Objects365 لمدة 100 عصر تدريب بحجم صورة 640، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

مثال على التدريب

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)

صور وشروحات توضيحية عينة#

تحتوي مجموعة بيانات Objects365 على صور متنوعة وعالية الدقة مع تعليقات توضيحية كثيفة لمربعات الإحاطة عبر فئاتها الـ 365. توضح العينة أدناه المشاهد الواقعية والتعليقات التوضيحية متعددة الكائنات التي تعد سمة مميزة لمجموعة البيانات هذه:

عينة من مجموعة بيانات Objects365 مع تعليقات توضيحية متنوعة للكائنات

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات Objects365 في بحثك أو عملك التطويري، يرجى الاستشهاد بالورقة البحثية التالية:

اقتباس

@InProceedings{Shao_2019_ICCV,
  author = {Shao, Shuai and Li, Zeming and Zhang, Tianyuan and Peng, Chao and Yu, Gang and Zhang, Xiangyu and Li, Jing and Sun, Jian},
  title = {Objects365: A Large-Scale, High-Quality Dataset for Object Detection},
  booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
  month = {October},
  year = {2019}
}

نود أن نشكر فريق الباحثين الذين أنشأوا ويحافظون على مجموعة بيانات Objects365 كمورد قيم لمجتمع أبحاث رؤية الحاسوب. لمزيد من المعلومات حول مجموعة بيانات Objects365 ومبتكريها، تفضل بزيارة موقع مجموعة بيانات Objects365.

الأسئلة الشائعة#

ما الغرض من استخدام مجموعة بيانات Objects365؟#

تُستخدم مجموعة بيانات Objects365 لتدريب وتقييم نماذج اكتشاف الكائنات في التعلم الآلي ورؤية الحاسوب. وهي توفر 1,742,289 صورة تدريب و80,000 صورة تحقق عبر 365 فئة من الكائنات، وتعتبر شائعة بشكل خاص للتدريب المسبق للمكشافات التي يتم ضبطها دقيقاً لاحقاً على مجموعات بيانات أصغر وخاصة بمهمة معين.

كم عدد الصور والفئات الموجودة في مجموعة بيانات Objects365؟#

يغطي تكوين Ultralytics لـ Objects365.yaml 365 فئة من الكائنات مقسمة إلى 1,742,289 صورة تدريب و80,000 صورة تحقق — بإجمالي 1,822,289، بدون قسم اختبار. تقرير الإصدار الأولي يذكر حوالي 2 مليون صورة مع 30 مليون صندوق إحاطة إجمالاً.

ما هو حجم تنزيل مجموعة بيانات Objects365؟#

يتطلب Objects365 تقريباً 712 جيجابايت من مساحة القرص — حوالي 345 جيجابايت من أرشيفات المضغوطة التي يتم تنزيلها تلقائياً عند التدريب لأول مرة باستخدام data="Objects365.yaml"، بالإضافة إلى 367 جيجابايت لمجموعة البيانات المستخرجة. يقوم سكريبت التنزيل بتثبيت حزمة faster-coco-eval وتحويل التعليقات التوضيحية إلى تنسيق YOLO. يمكنك تصفح البدائل الأصغر في نظرة عامة على مجموعات بيانات الاكتشاف.

كيف يمكنني تدريب نموذج YOLO26 على مجموعة بيانات Objects365؟#

لتدريب نموذج YOLO26n باستخدام مجموعة بيانات Objects365 لمدة 100 حقبة بحجم صورة 640، اتبع هذه التعليمات:

مثال على التدريب

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)

راجع صفحة التدريب للحصول على قائمة شاملة بالوسائط المتاحة.

لماذا يجب أن أستخدم مجموعة بيانات Objects365 لمشاريع اكتشاف الكائنات الخاصة بي؟#

ت menjadikan مفردات Objects365 المكونة من 365 فئة والتعليقات التوضيحية الكثيفة واحدة من أقوى مجموعات البيانات للتدريب المسبق لاكتشاف الكائنات — حيث تقرير بحث ICCV 2019 عن مكسب قدره 5.6 نقطة (42.0 مقابل 36.4 mAP) مقارنة بالتدريب المسبق لـ ImageNet على COCO. تغطي صورها سيناريوهات متنوعة من العالم الحقيقي، مما يساعد النماذج على التعميم بشكل جيد على مهام الاكتشاف اللاحقة.

أين يمكنني العثور على ملف تكوين YAML الخاص بمجموعة بيانات Objects365؟#

ملف تكوين YAML لمجموعة بيانات Objects365 متاح على Objects365.yaml. يحتوي هذا الملف على معلومات أساسية مثل مسارات مجموعة البيانات وتسميات الفئات، وهو أمر بالغ الأهمية لإعداد بيئة التدريب الخاصة بك.

المساهمون

GLglenn-jocher¹⁵ RAraimbekovm² RIRizwanMunawar² Y-Y-T-G¹ PDpderrenger¹ MAMatthewNoyce¹

تم الإنشاء 12 نوفمبر 2023تم التحديث الأسبوع الماضي