Ultralytics YOLO27:
Get Started
CC BY 4.0

Datensatz Objects365#

Der Datensatz Objects365 ist ein umfangreicher Benchmark für die Objekterkennung mit 1.742.289 Trainingsbildern und 80.000 Validierungsbildern aus 365 Objektklassen – von Menschen, Autos und Stühlen bis hin zu Flaschen, Hunden und Straßenlaternen. Der von Megvii entwickelte und auf der ICCV 2019 vorgestellte Datensatz konzentriert sich auf vielfältige Objekte in realen Umgebungen und wird häufig zum Vortrainieren von Computer-Vision-Modellen verwendet, die besser generalisieren als mit ImageNet vortrainierte Modelle.



Ansehen: So trainierst du Ultralytics YOLO mit dem Objects365-Datensatz

Mit Objects365 vortrainierte Modelle#

Ultralytics veröffentlicht YOLO26-Modelle zur Erkennung und Segmentierung, die mit Objects365v1 vortrainiert wurden. Damit kannst du Objekte aus dessen 365 Klassen erkennen, ohne den Datensatz herunterzuladen. Alle Modelle wurden 150 Epochen lang mit einer Bildgröße von 640 trainiert.

ModellGröße
(Pixel)		mAPval
50-95		mAPValidierung
50		Parameter
(M)		FLOPs
(B)
YOLO26n64016.322.32.56.1
YOLO26s64024.331.79.621.5
YOLO26m64030.338.220.669.7
YOLO26l64032.240.125.088.0
YOLO26x64035.844.156.1196.3

Segmentierungsmodelle verwenden Masken, die für Objects365v1 erzeugt wurden, und geben sowohl die Genauigkeit der Begrenzungsrahmen als auch der Masken an:

ModellGröße
(Pixel)		mAPBox
50-95		mAPMaske
50-95		Parameter
(M)		FLOPs
(B)
YOLO26n-seg64015.713.22.89.8
YOLO26s-seg64023.819.510.535.1
YOLO26m-seg64029.523.823.8123.0
YOLO26l-seg64031.725.328.2141.3
YOLO26x-seg64035.427.963.1315.9
  • Die Werte für mAPval beziehen sich auf die Validierungsteilmenge von Objects365v1 bei einer einzelnen Modell- und Bildskalierung.
  • Die Werte für Params und FLOPs beziehen sich auf das zusammengeführte Modell nach model.fuse().

Du kannst mit diesen Checkpoints wie folgt eine Vorhersage ausführen oder mit der Feinabstimmung beginnen.

Beispiel für die Verwendung eines vortrainierten Modells
from ultralytics import YOLO

# Ein mit Objects365 vortrainiertes YOLO26n-Modell laden
model = YOLO("yolo26n-objv1-150.pt")

# Vorhersage ausführen
results = model.predict(source="image.jpg")

# Training mit dem vortrainierten Checkpoint starten
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Wichtige Funktionen#

  • Objects365 umfasst 365 Objektklassen. In der ursprünglichen Veröffentlichung werden insgesamt rund 2 Millionen Bilder mit 30 Millionen Begrenzungsrahmen angegeben.
  • Der Datensatz umfasst vielfältige Objekte in unterschiedlichen realen Szenarien und bietet damit einen reichhaltigen und anspruchsvollen Benchmark für Aufgaben der Objekterkennung.
  • Die Annotationen enthalten Begrenzungsrahmen für Objekte und eignen sich daher zum Trainieren und Bewerten von Objekterkennungsmodellen.
  • Laut der ICCV-2019-Studie übertrifft das Vortraining mit Objects365 das Vortraining mit ImageNet auf dem COCO-Benchmark um 5,6 Punkte (42,0 gegenüber 36,4 mAP).

Datensatzstruktur#

Die Ultralytics-Konfiguration Objects365.yaml definiert zwei Teilmengen:

AufteilungBilderBeschreibung
Trainieren1,742,289Annotierte Bilder für das Modelltraining
Validierung80,000Zurückgehaltene Bilder für die Evaluierung und das Benchmarking

Der Download umfasst die Trainings- und Validierungsteilmengen mit insgesamt 1.822.289 Bildern. Der Schlüssel test: in der Konfiguration bleibt leer.

Anwendungsfälle#

Der Datensatz Objects365 eignet sich für zahlreiche Anwendungen des Deep Learning im Bereich der Objekterkennung:

  • Vortraining von Erkennungs-Backbones: Mit 365 Klassen und dicht annotierten Begrenzungsrahmen verbessert das Vortraining mit Objects365 die anschließende Feinabstimmung auf kleineren Datensätzen wie COCO und VOC.
  • Erkennung von Produkten und Beständen im Einzelhandel: Hunderte von Alltagskategorien – Flaschen, Tassen, Turnschuhe und Handtaschen – unterstützen die Regalüberwachung und automatisierte Kassensysteme.
  • Robotik und intelligente Umgebungen: Die breite Abdeckung von Haushalts- und Straßenobjekten hilft Robotern und intelligenten Kameras, Objekte in unstrukturierten Szenen zu erkennen.
  • Benchmarking von Detektoren: Die lange Klassenliste und die Bilder aus realen Umgebungen machen den Datensatz zu einem anspruchsvollen Benchmark dafür, wie gut Erkennungsmodelle generalisieren.

Um eigene Bilder zu annotieren, Modelle zu trainieren und umfangreiche Datensätze im Browser zu verwalten, kannst du den gesamten Arbeitsablauf mit der Ultralytics Platform durchführen.

YAML-Datei des Datensatzes#

Die Datei Objects365.yaml definiert die Dataset-Konfiguration – die Dataset-Pfade, Klassennamen und weitere Metadaten. Sie wird im Ultralytics-Repository unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yaml gepflegt.

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}"))

Verwendung#

712 GB Download

Objects365 wird bei der ersten Verwendung automatisch heruntergeladen und benötigt etwa 712 GB freien Speicherplatz – 345 GB für heruntergeladene ZIP-Archive und 367 GB für den entpackten Datensatz. Das Downloadskript installiert das Paket faster-coco-eval und konvertiert die Annotationen ins YOLO-Format. Je nach Verbindung und Hardware kann dieser Vorgang lange dauern.

Um ein YOLO26n-Modell 100 Epochen lang mit dem Datensatz Objects365 und einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codebeispiele verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite zum Training des Modells.

Trainingsbeispiel
from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Das Modell trainieren
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)

Beispielbilder und Annotationen#

Der Datensatz Objects365 umfasst vielfältige hochauflösende Bilder mit dicht annotierten Begrenzungsrahmen für seine 365 Klassen. Das folgende Beispiel zeigt die typischen Szenen aus realen Umgebungen und die Annotationen mehrerer Objekte im Datensatz:

Beispiel aus dem Datensatz Objects365 mit vielfältigen Objektannotationen

Zitate und Danksagungen#

Wenn du den Datensatz Objects365 für deine Forschung oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Studie:

Zitat
@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}
}

Wir möchten dem Forschungsteam danken, das den Datensatz Objects365 erstellt und pflegt und ihn der Computer-Vision-Forschungsgemeinschaft als wertvolle Ressource zur Verfügung stellt. Weitere Informationen zum Datensatz Objects365 und seinen Urhebern findest du auf der Website des Datensatzes Objects365.

Häufig gestellte Fragen#

  • Der Datensatz Objects365 dient zum Trainieren und Bewerten von Objekterkennungsmodellen im Bereich des maschinellen Lernens und der Computer Vision. Er umfasst 1.742.289 Trainingsbilder und 80.000 Validierungsbilder aus 365 Objektklassen und wird besonders häufig zum Vortrainieren von Detektoren verwendet, die anschließend auf kleineren, aufgabenspezifischen Datensätzen feinabgestimmt werden.

  • Die Ultralytics-Konfiguration Objects365.yaml umfasst 365 Objektklassen, aufgeteilt auf 1.742.289 Trainingsbilder und 80.000 Validierungsbilder – insgesamt 1.822.289 Bilder, ohne Testsatz. In der ursprünglichen Veröffentlichung werden insgesamt rund 2 Millionen Bilder mit 30 Millionen Begrenzungsrahmen angegeben.

  • Objects365 benötigt ungefähr 712 GB Speicherplatz – etwa 345 GB für ZIP-Archive, die beim ersten Training mit data="Objects365.yaml" automatisch heruntergeladen werden, sowie 367 GB für den entpackten Datensatz. Das Downloadskript installiert das Paket faster-coco-eval und konvertiert die Annotationen ins YOLO-Format. Kleinere Alternativen findest du in der Übersicht zu Erkennungsdatensätzen.

  • So trainierst du ein YOLO26n-Modell mit dem Datensatz Objects365 100 Epochen lang und einer Bildgröße von 640:

    Trainingsbeispiel
    from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Das Modell trainieren
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)

    Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite zum Training.

  • Das Vokabular mit 365 Klassen und die dichten Annotationen machen Objects365 zu einem der leistungsstärksten Vortrainingsdatensätze für die Objekterkennung. Die ICCV-2019-Studie berichtet beim Vortraining auf COCO einen Zugewinn von 5,6 Punkten (42,0 gegenüber 36,4 mAP) gegenüber dem Vortraining mit ImageNet. Die Bilder decken vielfältige reale Szenarien ab und helfen Modellen, bei nachgelagerten Erkennungsaufgaben gut zu generalisieren.

  • Die YAML-Konfigurationsdatei für den Datensatz Objects365 ist unter Objects365.yaml verfügbar. Sie enthält wichtige Informationen wie Dataset-Pfade und Klassenbezeichnungen, die für die Einrichtung deiner Trainingsumgebung entscheidend sind.

Mitwirkende
GLglenn-jocher15RAraimbekovm4PDpderrenger2RIRizwanMunawar2Y-Y-T-G1MAMatthewNoyce1

Kommentare