Link to this sectionDataset Objects365#
The Objects365 dataset is a large-scale object detection benchmark with 1,742,289 training images and 80,000 validation images spanning 365 object classes — from people, cars, and chairs to bottles, dogs, and street lights. Created by Megvii researchers and presented at ICCV 2019, it focuses on diverse objects in the wild and is widely used to pretrain computer vision models that generalize better than ImageNet-pretrained ones.
Watch: How to Train Ultralytics YOLO on the Objects365 Dataset
Link to this sectionCaracterísticas clave#
- Objects365 define 365 clases de objetos, y el lanzamiento original reporta alrededor de 2 millones de imágenes con 30 millones de cuadros delimitadores en total.
- El conjunto de datos incluye objetos diversos en varios escenarios del mundo real, proporcionando un benchmark rico y desafiante para tareas de detección de objetos.
- Las anotaciones incluyen cuadros delimitadores para los objetos, lo que lo hace adecuado para el entrenamiento y la evaluación de modelos de detección de objetos.
- Según el artículo del ICCV 2019, el preentrenamiento de Objects365 supera al preentrenamiento de ImageNet por 5,6 puntos (42,0 frente a 36,4 mAP) en el benchmark COCO.
Link to this sectionEstructura del dataset#
La configuración Objects365.yaml de Ultralytics define dos divisiones:
| Split | Imágenes | Descripción |
|---|---|---|
| Entrenar | 1.742.289 | Imágenes etiquetadas para el entrenamiento del modelo |
| Validación | 80.000 | Imágenes de reserva para evaluación y benchmarking |
La descarga recupera las divisiones de entrenamiento y validación —1.822.289 imágenes en total— y la clave test: en la configuración se deja vacía.
Link to this sectionAplicaciones#
El conjunto de datos Objects365 admite una amplia gama de aplicaciones de aprendizaje profundo en detección de objetos:
- Preentrenamiento de backbones de detección: Con 365 clases y anotaciones de cajas densas, el preentrenamiento de Objects365 mejora el ajuste fino posterior en conjuntos de datos más pequeños como COCO y VOC.
- Reconocimiento de venta al por menor e inventario: Cientos de categorías cotidianas —botellas, tazas, zapatillas, bolsos— respaldan la supervisión de estanterías y los sistemas de pago automatizados.
- Robótica y entornos inteligentes: La amplia cobertura de objetos domésticos y callejeros ayuda a los robots y cámaras inteligentes a reconocer objetos en escenas no estructuradas.
- Benchmarking de detectores: La extensa lista de clases y las imágenes en entornos reales lo convierten en un benchmark exigente para evaluar qué tan bien se generalizan los modelos de detección.
Para etiquetar tus propias imágenes, entrenar y gestionar conjuntos de datos a gran escala en tu navegador, ejecuta el flujo de trabajo completo con Ultralytics Platform.
Link to this sectionYAML del dataset#
El archivo Objects365.yaml define la configuración del conjunto de datos: las rutas del conjunto de datos, los nombres de las clases y otros metadatos. Se mantiene en el repositorio de Ultralytics en https://github.com/ultralytics/ultralytics/blob/main/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}"))Link to this sectionUso#
Objects365 se descarga automáticamente la primera vez que se usa y requiere alrededor de 712 GB de espacio libre en disco: 345 GB de archivos zip descargados más 367 GB para el conjunto de datos extraído. El script de descarga instala el paquete faster-coco-eval y convierte las anotaciones al formato YOLO, lo que puede llevar mucho tiempo dependiendo de tu conexión y hardware.
Para entrenar un modelo YOLO26n en el dataset Objects365 durante 100 épocas con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la página de Entrenamiento del modelo.
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 sectionMuestras de imágenes y anotaciones#
El conjunto de datos Objects365 contiene imágenes diversas de alta resolución con anotaciones densas de cuadros delimitadores en sus 365 clases. La muestra a continuación muestra las escenas en entornos reales y las anotaciones multiobjeto típicas del conjunto de datos:
Link to this sectionCitas y agradecimientos#
Si utilizas el conjunto de datos Objects365 en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:
@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}
}Queremos reconocer al equipo de investigadores que creó y mantiene el conjunto de datos Objects365 como un recurso valioso para la comunidad de investigación en visión artificial. Para obtener más información sobre el conjunto de datos Objects365 y sus creadores, visita el sitio web del dataset Objects365.
Link to this sectionFAQ#
Link to this section¿Para qué se utiliza el conjunto de datos Objects365?#
El conjunto de datos Objects365 se utiliza para entrenar y evaluar modelos de detección de objetos en aprendizaje automático y visión artificial. Proporciona 1.742.289 imágenes de entrenamiento y 80.000 imágenes de validación en 365 clases de objetos, y es especialmente popular para preentrenar detectores que luego se ajustan con precisión en conjuntos de datos más pequeños y específicos de una tarea.
Link to this section¿Cuántas imágenes y clases hay en el conjunto de datos Objects365?#
La configuración Objects365.yaml de Ultralytics cubre 365 clases de objetos divididas en 1.742.289 imágenes de entrenamiento y 80.000 imágenes de validación —1.822.289 en total, sin división de prueba. El lanzamiento original reporta alrededor de 2 millones de imágenes con 30 millones de cuadros delimitadores en total.
Link to this section¿Qué tamaño tiene la descarga del conjunto de datos Objects365?#
Objects365 requiere aproximadamente 712 GB de espacio en disco: unos 345 GB de archivos zip que se descargan automáticamente la primera vez que entrenas con data="Objects365.yaml", más 367 GB para el conjunto de datos extraído. El script de descarga instala el paquete faster-coco-eval y convierte las anotaciones al formato YOLO. Puedes buscar alternativas más pequeñas en la descripción general de conjuntos de datos de detección.
Link to this section¿Cómo puedo entrenar un modelo YOLO26 en el dataset Objects365?#
Para entrenar un modelo YOLO26n utilizando el conjunto de datos Objects365 durante 100 épocas con un tamaño de imagen de 640, sigue estas instrucciones:
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)Consulta la página de Entrenamiento para obtener una lista completa de los argumentos disponibles.
Link to this section¿Por qué debería usar el conjunto de datos Objects365 para mis proyectos de detección de objetos?#
El vocabulario de 365 clases y las densas anotaciones de Objects365 lo convierten en uno de los conjuntos de datos de preentrenamiento más sólidos para la detección de objetos; el artículo del ICCV 2019 reporta una ganancia de 5,6 puntos (42,0 frente a 36,4 mAP) sobre el preentrenamiento de ImageNet en COCO. Sus imágenes cubren diversos escenarios del mundo real, lo que ayuda a que los modelos se generalicen bien a las tareas de detección posteriores.
Link to this section¿Dónde puedo encontrar el archivo de configuración YAML para el conjunto de datos Objects365?#
El archivo de configuración YAML para el conjunto de datos Objects365 está disponible en Objects365.yaml. Este archivo contiene información esencial como las rutas del dataset y las etiquetas de clase, crucial para configurar tu entorno de entrenamiento.