Ultralytics Benchmark#

103

Airbus Oil Storage Detection

ultralytics

publicDetect

Airbus Oil Storage Detection contains satellite imagery of aboveground petroleum, oil, and lubricant tanks at industrial sites. Single-class bounding boxes support storage-facility mapping, tank inventory, infrastructure monitoring, and geospatial analysis.

1 class143.5 MBSep 2, 2026

oil-storage-tank

COCO n'est pas représentatif de nombreuses tâches de vision par ordinateur du monde réel. Ultralytics Benchmark est un jeu de données de référence permettant de mesurer la capacité de généralisation des modèles sur 37 jeux de données sélectionnés de détection d'objets comportant des annotations de boîtes englobantes de haute qualité. Les domaines couverts incluent l'analyse d'images médicales, la télédétection, la circulation, les documents, les interfaces utilisateur, le commerce de détail, la vision industrielle, l'agriculture, le sport, la faune, l'imagerie sous-marine et la détection des déchets. Les types de capteurs incluent les caméras RGB, fisheye, infrarouges thermiques, les rayons X, l'IRM, l'échographie, la microscopie et le radar à synthèse d'ouverture (SAR).

Les jeux de données sélectionnés sont hébergés sur Ultralytics Platform.

Les jeux de données candidats ont été vérifiés afin de détecter les images identiques ou quasi identiques entre les partitions d'entraînement et de validation. Les paires signalées ont été examinées, et les fuites confirmées entre partitions ont été éliminées ou le jeu de données concerné a été remplacé.

Ensembles de données#

Domaine	Capteur / imagerie	Jeu de données	Classes
Aérien/RS	Imagerie satellite RGB	Détection des réservoirs de pétrole Airbus	1 : réservoir de stockage de pétrole
Document/interface utilisateur	Pages RGB et numérisées	Éléments de documents AnnoPage	25 : formule/équation chimique, symbole/logo, photographie, dessin, graphique, carte, expression mathématique, notation musicale, image, décor, inscription, plan d'étage, code-barres/code QR, tampon, publicité, note manuscrite, diagramme, tableau, vignette et frise
Sports	Caméra RGB	Détection de paniers de basket	2 : ballon de basket, filet de basket
Conduite/circulation	Caméra routière RGB	CEYMO	11 : voie de bus, piste cyclable, losange, boîtier de jonction, flèche vers la gauche, passage piéton, flèche vers la droite, flèche tout droit, ralentir, flèche tout droit et à gauche, flèche tout droit et à droite
Médical	IRM	IRM des tumeurs cérébrales de Cheng	3 : méningiome, gliome, hypophyse
Médical	Caméra rétinienne couleur	Lésions DDR	4 : exsudats durs, hémorragies, microanévrismes, exsudats mous
Industrie	Caméra industrielle à balayage linéaire	DeepPCB	6 : circuit ouvert, court-circuit, morsure de souris, bavure, cuivre, trou d'épingle
Médical	Radiographie dentaire	DENTEX	4 : dent incluse, carie, lésion périapicale, carie profonde
Industrie	Caméra industrielle RGB	DSPCBSD	9 : court-circuit, bavure, cuivre parasite, circuit ouvert, morsure de souris, éclatement de trou, rayure du conducteur, corps étranger sur le conducteur, corps étranger dans le matériau de base
Autre	Caméra égocentrique RGB	EgoHands	4 : own_left, own_right, other_left, other_right
Autre	Caméra de surveillance animalière RGB et infrarouge	ENA24	22 classes couvrant la faune, les personnes, les animaux domestiques et les véhicules
Conduite/circulation	Caméra fisheye RGB	Fisheye8K	5 : bus, vélo, voiture, piéton, camion
Document/interface utilisateur	Plans numériques et numérisés	FloorPlanCAD	30 classes de portes et fenêtres, mobilier, appareils électroménagers, équipements de salle de bains, escaliers, ascenseurs et escalators
Médical	Rayons X	GRAZPEDWRI-DX	9 : anomalie osseuse, lésion osseuse, corps étranger, fracture, métal, réaction périostée, signe du pronateur, tissus mous, texte
Document/interface utilisateur	Captures d'écran numériques	Interface utilisateur GroundCUA	9 : bouton, affichage d'informations, éléments de saisie, menu, navigation, autres, barre latérale, éléments visuels, inconnu
Agriculture	Caméra de champ RGB	GWHD 2021	1 : wheat_head
Aérien/RS	UAV infrarouge thermique	HIT-UAV	5 : personne, voiture, vélo, autre véhicule, zone ignorée
Médical	Rayons X de sécurité	Radiographie de sécurité IED	11 classes couvrant les explosifs, les batteries, les ordinateurs portables, les pagers, les téléphones mobiles, les talkies-walkies et les appareils modifiés
Médical	Endoscope RGB	Polypes Kvasir-SEG	1 : polype
Conduite/circulation	Infrarouge thermique	LLVIP	1 : personne
Aérien/RS	Imagerie multispectrale à 8 bandes	Imagerie multispectrale MODA	8 : voiture, fourgon, camion, bus, tricycle, vélo, vélo avec auvent, piéton
Agriculture	Caméra RGB	PlantDoc	29 classes de feuilles de cultures et de maladies des plantes
Sports	Images vidéo RGB	Balle de tennis RacketVision	1 : balle de tennis
Conduite/circulation	Caméra routière RGB	RDD2022	5 : fissure longitudinale, fissure transversale, fissure en peau de crocodile, autre dégradation, nid-de-poule
Commerce de détail	Caméra de caisse RGB	Passage en caisse RPC	200 classes de produits en caisse couvrant les aliments emballés, les boissons, le lait, les conserves, le chocolat, le chewing-gum, les bonbons, les assaisonnements, les produits d'hygiène, les mouchoirs et la papeterie
Autre	Caméra sous-marine RGB	RUOD sous-marin	10 : holothurie, oursin, coquille Saint-Jacques, étoile de mer, poisson, coraux, plongeur, seiche, tortue, méduse
Industrie	Caméra RGB	Safe Human 17	17 classes de personnes, de parties du corps, d'outils et d'équipements de protection individuelle
Aérien/RS	Caméra UAV RGB	SeaDronesSee	6 : ignoré, nageur, bateau, jet-ski, équipements de sauvetage, bouée
Commerce de détail	Caméra de vente au détail RGB	SKU-110K	1 : produit en rayon
Sports	Caméra de diffusion RGB	SoccerDB	3 : joueur, ballon, but
Aérien/RS	Radar à synthèse d’ouverture (SAR)	SSDD SAR Ship	1 : navire
Autre	Caméra RGB	TACO Litter	28 classes de déchets et d’objets
Médical	Radiographie thoracique	TBX11K	2 : tuberculose active, tuberculose pulmonaire ancienne
Médical	Échographie	TN5000 Thyroid Ultrasound	2 : bénin, malin
Médical	Microscopie optique	TXL-PBC Blood Cells	3 : globules blancs, globules rouges, plaquettes
Autre	Caméra RGB	UEC School Lunch Food	21 classes d’aliments et de boissons servis à la cantine scolaire
Aérien/RS	Caméra UAV RGB	VisDrone	10 : piéton, personnes, vélo, voiture, fourgonnette, camion, tricycle, tricycle couvert, bus, moto

Évaluation#

Échantillonne jusqu’à 1 000 images dans chaque sous-ensemble d’entraînement, conserve l’intégralité du sous-ensemble de validation et exclue le sous-ensemble de test avec fraction=[1000, 1.0, 0.0].
Affine indépendamment le même point de contrôle préentraîné sur chaque jeu de données pendant 100 époques, avec une patience de 100, une graine de 0, un lot de 16 et quatre workers. Les images font 640 pixels. La graine 0 ne garantit pas un déterminisme complet ; YOLO27m et YOLO27l indiquent donc la moyenne de 3 exécutions de ce type.
Active le remappage des classes, le format channels-last et la sortie JSON des prédictions, tout en désactivant les graphiques.
Évalue le meilleur point de contrôle de chaque jeu de données et réutilise son max_det enregistré, qui tient compte du nombre maximal d’objets.
Pour calculer le mAP50-95 par taille, multiplie les aires des boîtes de vérité terrain et de prédiction par (640 / max(image_width, image_height)) ** 2 avant d’appliquer les seuils COCO Small, Medium et Large.
Attribue le même poids à chaque jeu de données. Chaque métrique par taille ne prend en compte que les jeux de données ayant au moins 10 objets dans cette catégorie.

Le mAP macro correspond à sum(dataset validation mAP50-95) / 37. Les métriques sont calculées à partir des prédictions enregistrées pour chaque jeu de données.

Résultats des benchmarks#

Les métriques sont des moyennes macro sur les 37 sous-ensembles de validation, exprimées en pourcentage.

Taille	Modèle	mAP50-95	Précision	Rappel	mAP50-95-S	mAP50-95-M	mAP50-95-L
L/X	YOLO27l	55.50	78.83	74.90	38.17	55.75	63.36
L/X	YOLO26x	49.85	76.74	68.61	34.44	50.54	51.69
L/X	YOLO26l	49.72	75.05	69.31	34.49	50.16	51.72
L/X	YOLO11l	48.53	74.22	68.33	31.91	50.71	50.77
L/X	YOLOv5l	48.03	74.11	67.78	31.73	49.79	49.87
L/X	YOLOv8l	48.02	73.95	68.80	32.05	49.04	49.56
L/X	YOLOv8x	47.67	75.66	66.46	31.12	49.60	49.69
L/X	YOLOv5x	47.35	74.69	67.96	31.27	49.39	49.76
L/X	YOLO11x	47.24	73.69	67.08	31.22	48.57	49.24
M	YOLO27m	53.38	75.85	72.95	35.96	53.40	61.40
M	YOLO26m	49.42	76.23	68.31	32.91	50.02	51.32
M	YOLOv5m	48.19	74.21	68.07	31.68	49.67	51.93
M	YOLO11m	48.15	73.72	68.56	32.14	49.76	50.75
M	YOLOv8m	47.99	73.86	68.15	30.73	49.61	51.97
S	YOLO27s	51.23	76.96	70.74	34.20	51.47	54.74
S	YOLO11s	47.78	74.72	67.66	29.53	49.69	50.69
S	YOLO26s	47.47	74.35	66.73	31.56	47.72	50.58
S	YOLOv8s	47.35	73.97	67.54	30.90	48.47	50.15
S	YOLOv5s	47.30	73.97	67.02	30.47	49.07	50.10
N	YOLO27n	49.25	74.86	68.49	31.93	49.30	53.20
N	YOLO11n	46.19	72.83	65.69	28.35	47.51	50.66
N	YOLOv8n	45.89	72.29	65.56	28.56	47.55	49.22
N	YOLOv5n	45.09	71.69	64.99	28.61	46.79	48.14
N	YOLO26n	44.08	70.09	63.20	28.69	44.52	47.96

Évaluation comparative#

Utilise la branche main d’Ultralytics et définis ULTRALYTICS_API_KEY pour accéder aux jeux de données :

from ultralytics import YOLO

datasets = [
    "ul://ultralytics/datasets/airbus-oil-storage-detection",
    "ul://ultralytics/datasets/annopage-doc-elements",
    "ul://ultralytics/datasets/basketball-hoop-detection",
    "ul://ultralytics/datasets/ceymo",
    "ul://ultralytics/datasets/cheng-brain-tumor-mri",
    "ul://ultralytics/datasets/ddr-lesion",
    "ul://ultralytics/datasets/deeppcb",
    "ul://ultralytics/datasets/dentex",
    "ul://ultralytics/datasets/dspcbsd-pcb-surface-defect",
    "ul://ultralytics/datasets/egohands-egocentric",
    "ul://ultralytics/datasets/ena24",
    "ul://ultralytics/datasets/fisheye8k-traffic",
    "ul://ultralytics/datasets/floorplancad-2",
    "ul://ultralytics/datasets/grazpedwri-dx",
    "ul://ultralytics/datasets/groundcua-ui-yolo",
    "ul://ultralytics/datasets/global-wheat-head-detection-2021",
    "ul://ultralytics/datasets/hit-uav",
    "ul://ultralytics/datasets/iedxray",
    "ul://ultralytics/datasets/kvasir-seg-polyp",
    "ul://ultralytics/datasets/llvip",
    "ul://ultralytics/datasets/moda-multispectral-obb",
    "ul://ultralytics/datasets/plantdoc",
    "ul://ultralytics/datasets/racketvision-tennis-ball-yolo",
    "ul://ultralytics/datasets/rdd2022",
    "ul://ultralytics/datasets/rpc-retail-checkout",
    "ul://ultralytics/datasets/ruod-underwater",
    "ul://ultralytics/datasets/safe-human-17",
    "ul://ultralytics/datasets/seadronessee-2",
    "ul://ultralytics/datasets/sku110k-2",
    "ul://ultralytics/datasets/soccerdb",
    "ul://ultralytics/datasets/ssdd-sar-ship",
    "ul://ultralytics/datasets/taco-detect",
    "ul://ultralytics/datasets/tbx11k-tb-only",
    "ul://ultralytics/datasets/tn5000-thyroid-us",
    "ul://ultralytics/datasets/txl-pbc-blood-cells",
    "ul://ultralytics/datasets/uec-school-lunch-food-2",
    "ul://ultralytics/datasets/visdrone",
]

results = YOLO("yolo27n.pt").train(
    data=datasets,
    epochs=100,
    patience=100,
    imgsz=640,
    batch=16,
    fraction=[1000, 1.0, 0.0],
    seed=0,
    workers=4,
    cls_remap=True,
    channels_last=True,
    save_json=True,
    plots=False,
)
# La branche principale utilise des seuils par taille calculés sur les aires natives. Ce benchmark redimensionne séparément les aires de vérité terrain et de prédiction
# par (640 / max(image_width, image_height)) ** 2 avant de calculer l’AP par taille.

Citation#

Si tu utilises Ultralytics Benchmark dans ton travail, cite l’article YOLO26 d’Ultralytics :

@misc{jocher2026ultralyticsyolo26unifiedrealtime,
  title = {Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models},
  author = {Glenn Jocher and Jing Qiu and Mengyu Liu and Shuai Lyu and Fatih Cagatay Akyon and Muhammet Esat Kalfaoglu},
  year = {2026},
  eprint = {2606.03748},
  archivePrefix = {arXiv},
  primaryClass = {cs.CV},
  doi = {10.48550/arXiv.2606.03748},
  url = {https://arxiv.org/abs/2606.03748},
}

Contributeurs

LALaughing-q¹

Créé il y a 45 minutesMis à jour il y a 45 minutes

Get Started