Link to this sectionObjects365-Datensatz#
Das Objects365 Dataset ist ein groß angelegter Benchmark für Objekterkennung mit 1.742.289 Trainingsbildern und 80.000 Validierungsbildern, die 365 Objektklassen umfassen – von Personen, Autos und Stühlen bis hin zu Flaschen, Hunden und Straßenlaternen. Es wurde von Forschern von Megvii erstellt, auf der ICCV 2019 vorgestellt und konzentriert sich auf vielfältige Objekte in der freien Natur. Es wird häufig verwendet, um Computer Vision Modelle vorzutrainieren, die eine bessere Generalisierung als ImageNet-vorrainierte Modelle aufweisen.
Watch: How to Train Ultralytics YOLO on the Objects365 Dataset
Link to this sectionHauptfunktionen#
- Objects365 definiert 365 Objektklassen, und die ursprüngliche Veröffentlichung meldet insgesamt etwa 2 Millionen Bilder mit 30 Millionen Bounding-Boxen.
- Das Dataset enthält vielfältige Objekte in verschiedenen realen Szenarien und bietet einen umfangreichen und anspruchsvollen Benchmark für Objekterkennungsaufgaben.
- Die Annotationen beinhalten Bounding Boxes für Objekte, wodurch er sich für das Training und die Evaluierung von Objekterkennungsmodellen eignet.
- Laut dem ICCV 2019 Paper übertrifft das Pretraining mit Objects365 das Pretraining mit ImageNet auf dem COCO-Benchmark um 5,6 Punkte (42,0 gegenüber 36,4 mAP).
Link to this sectionDatensatzstruktur#
Die Ultralytics Objects365.yaml Konfiguration definiert zwei Splits:
| Split | Bilder | Beschreibung |
|---|---|---|
| Trainieren | 1.742.289 | Beschriftete Bilder für das Modelltraining |
| Validation | 80.000 | Zurückgehaltene Bilder für Evaluierung und Benchmarking |
Der Download umfasst die Trainings- und Validierungssplits – insgesamt 1.822.289 Bilder – während der test: Schlüssel in der Konfiguration leer bleibt.
Link to this sectionAnwendungen#
Das Objects365 Dataset unterstützt eine breite Palette von Deep Learning Anwendungen in der Objekterkennung:
- Pretraining von Erkennungs-Backbones: Mit 365 Klassen und dichten Box-Annotationen verbessert das Pretraining mit Objects365 das anschließende Fine-Tuning auf kleineren Datasets wie COCO und VOC.
- Einzelhandel und Inventurerkennung: Hunderte von alltäglichen Kategorien – Flaschen, Tassen, Turnschuhe, Handtaschen – unterstützen die Regalüberwachung und automatisierte Kassensysteme.
- Robotik und intelligente Umgebungen: Die umfassende Abdeckung von Haushalts- und Straßenobjekten hilft Robotern und intelligenten Kameras dabei, Objekte in unstrukturierten Szenen zu erkennen.
- Detector Benchmarking: Die lange Klassenliste und die Aufnahmen aus der freien Natur machen es zu einem anspruchsvollen Benchmark zur Bewertung der Generalisierungsfähigkeit von Erkennungsmodellen.
Um deine eigenen Bilder zu labeln, zu trainieren und große Datasets in deinem Browser zu verwalten, führe den vollständigen Workflow mit der Ultralytics Platform aus.
Link to this sectionDatensatz-YAML#
Die Objects365.yaml Datei 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 🚀 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}"))Link to this sectionVerwendung#
Objects365 wird bei der ersten Verwendung automatisch heruntergeladen und erfordert etwa 712 GB freien Speicherplatz – 345 GB für heruntergeladene Zip-Archive plus 367 GB für das extrahierte Dataset. Das Download-Skript installiert das faster-coco-eval Paket und konvertiert die Annotationen in das YOLO Format, was je nach Verbindung und Hardware lange dauern kann.
Um ein YOLO26n-Modell auf dem Objects365-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Training-Seite des Modells.
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)Link to this sectionBeispielbilder und Annotationen#
Das Objects365 Dataset enthält vielfältige, hochauflösende Bilder mit dichten Bounding-Box-Annotationen über seine 365 Klassen hinweg. Das nachstehende Beispiel zeigt die typischen Szenen aus der freien Natur und die Annotationen mit mehreren Objekten, die für das Dataset charakteristisch sind:
Link to this sectionZitate und Danksagungen#
Wenn du den Objects365-Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:
@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 Team von Forschern danken, das den Objects365-Datensatz erstellt und als wertvolle Ressource für die Computer-Vision-Forschungsgemeinschaft pflegt. Weitere Informationen über den Objects365-Datensatz und seine Ersteller findest du auf der Objects365-Datensatz-Website.
Link to this sectionFAQ#
Link to this sectionWofür wird der Objects365-Datensatz verwendet?#
Das Objects365 Dataset wird zum Trainieren und Evaluieren von Objekterkennungsmodellen im Bereich Machine Learning und Computer Vision verwendet. Es bietet 1.742.289 Trainingsbilder und 80.000 Validierungsbilder über 365 Objektklassen und ist besonders beliebt für das Pretraining von Detektoren, die anschließend auf kleineren, aufgabenspezifischen Datasets feinabgestimmt werden.
Link to this sectionWie viele Bilder und Klassen enthält das Objects365 Dataset?#
Die Ultralytics Objects365.yaml Konfiguration umfasst 365 Objektklassen, aufgeteilt in 1.742.289 Trainingsbilder und 80.000 Validierungsbilder – insgesamt 1.822.289, ohne Test-Split. Die ursprüngliche Veröffentlichung meldet insgesamt etwa 2 Millionen Bilder mit 30 Millionen Bounding-Boxen.
Link to this sectionWie groß ist der Download des Objects365 Datasets?#
Objects365 erfordert etwa 712 GB Speicherplatz – etwa 345 GB für Zip-Archive, die automatisch heruntergeladen werden, wenn du das erste Mal mit data="Objects365.yaml" trainierst, sowie 367 GB für das extrahierte Dataset. Das Download-Skript installiert das faster-coco-eval Paket und konvertiert die Annotationen in das YOLO Format. Du kannst kleinere Alternativen in der Übersicht der Erkennungs-Datasets durchsuchen.
Link to this sectionWie kann ich ein YOLO26-Modell auf dem Objects365-Datensatz trainieren?#
Um ein YOLO26n-Modell mit dem Objects365-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, befolge diese Anweisungen:
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)Eine umfassende Liste der verfügbaren Argumente findest du auf der Training-Seite.
Link to this sectionWarum sollte ich den Objects365-Datensatz für meine Objekterkennungsprojekte verwenden?#
Das 365-Klassen-Vokabular und die dichten Annotationen von Objects365 machen es zu einem der leistungsstärksten Pretraining-Datasets für die Objekterkennung – das ICCV 2019 Paper berichtet von einem Zuwachs um 5,6 Punkte (42,0 vs 36,4 mAP) gegenüber dem ImageNet Pretraining auf COCO. Die Bilder decken diverse reale Szenarien ab, was den Modellen hilft, gut auf nachgelagerte Erkennungsaufgaben zu generalisieren.
Link to this sectionWo finde ich die YAML-Konfigurationsdatei für den Objects365-Datensatz?#
Die YAML-Konfigurationsdatei für den Objects365-Datensatz ist unter Objects365.yaml verfügbar. Diese Datei enthält wichtige Informationen wie Datensatzpfade und Klassenbezeichnungen, die für die Einrichtung deiner Trainingsumgebung entscheidend sind.