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 sectionCaratteristiche principali#
- Objects365 definisce 365 classi di oggetti e il rilascio a monte riporta circa 2 milioni di immagini con 30 milioni di bounding box in totale.
- Il dataset include oggetti diversi in vari scenari reali, fornendo un benchmark ricco e stimolante per le attività di rilevamento di oggetti.
- Le annotazioni includono bounding box per gli oggetti, rendendolo adatto all'addestramento e alla valutazione di modelli di rilevamento di oggetti.
- Secondo il paper ICCV 2019, il pre-addestramento di Objects365 supera il pre-addestramento di ImageNet di 5,6 punti (42,0 vs 36,4 mAP) sul benchmark COCO.
Link to this sectionStruttura del dataset#
La configurazione Objects365.yaml di Ultralytics definisce due split:
| Split | Immagini | Descrizione |
|---|---|---|
| Addestramento | 1.742.289 | Immagini etichettate per l'addestramento del modello |
| Validazione | 80.000 | Immagini conservate per la valutazione e il benchmarking |
Il download recupera gli split train e validation (1.822.289 immagini in totale) e la chiave test: nella configurazione viene lasciata vuota.
Link to this sectionApplicazioni#
Il dataset Objects365 supporta un'ampia gamma di applicazioni di deep learning nel rilevamento di oggetti:
- Pre-addestramento di backbone di rilevamento: Con 365 classi e annotazioni dense di box, il pre-addestramento con Objects365 migliora il fine-tuning a valle su dataset più piccoli come COCO e VOC.
- Riconoscimento retail e inventario: Centinaia di categorie quotidiane — bottiglie, tazze, scarpe da ginnastica, borse — supportano il monitoraggio degli scaffali e i sistemi di checkout automatizzati.
- Robotica e ambienti intelligenti: L'ampia copertura di oggetti domestici e stradali aiuta robot e telecamere intelligenti a riconoscere oggetti in scene non strutturate.
- Benchmarking dei rilevatori: L'ampio elenco di classi e le immagini nel mondo reale lo rendono un benchmark impegnativo per valutare quanto bene i modelli di rilevamento generalizzino.
Per etichettare le tue immagini, addestrare e gestire dataset su larga scala nel tuo browser, esegui il flusso di lavoro completo con la Piattaforma Ultralytics.
Link to this sectionDataset YAML#
Il file Objects365.yaml definisce la configurazione del dataset (percorsi del dataset, nomi delle classi e altri metadati). È mantenuto nel repository di Ultralytics all'indirizzo 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 sectionUtilizzo#
Objects365 si scarica automaticamente al primo utilizzo e richiede circa 712 GB di spazio libero su disco: 345 GB di archivi zip scaricati più 367 GB per il dataset estratto. Lo script di download installa il pacchetto faster-coco-eval e converte le annotazioni in formato YOLO, il che può richiedere molto tempo a seconda della tua connessione e dell'hardware.
Per addestrare un modello YOLO26n sul dataset Objects365 per 100 epoche con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina di Training del modello.
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 sectionEsempi di immagini e annotazioni#
Il dataset Objects365 contiene immagini diverse ad alta risoluzione con dense annotazioni di bounding-box nelle sue 365 classi. L'esempio seguente mostra le scene nel mondo reale e le annotazioni multi-oggetto tipiche del dataset:
Link to this sectionCitazioni e riconoscimenti#
Se utilizzi il dataset Objects365 nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare il seguente articolo:
@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}
}Desideriamo ringraziare il team di ricercatori che ha creato e mantiene il dataset Objects365 come risorsa preziosa per la comunità di ricerca sulla computer vision. Per ulteriori informazioni sul dataset Objects365 e sui suoi creatori, visita il sito web del dataset Objects365.
Link to this sectionFAQ#
Link to this sectionA cosa serve il dataset Objects365?#
Il dataset Objects365 è utilizzato per addestrare e valutare modelli di rilevamento di oggetti in machine learning e computer vision. Fornisce 1.742.289 immagini di addestramento e 80.000 immagini di validazione su 365 classi di oggetti ed è particolarmente popolare per il pre-addestramento di rilevatori che vengono poi sottoposti a fine-tuning su dataset più piccoli e specifici per il compito.
Link to this sectionQuante immagini e classi sono presenti nel dataset Objects365?#
La configurazione Objects365.yaml di Ultralytics copre 365 classi di oggetti divise in 1.742.289 immagini di addestramento e 80.000 immagini di validazione (1.822.289 in totale), senza split di test. Il rilascio a monte riporta circa 2 milioni di immagini con 30 milioni di bounding box complessivamente.
Link to this sectionQuanto è grande il download del dataset Objects365?#
Objects365 richiede circa 712 GB di spazio su disco: circa 345 GB di archivi zip che vengono scaricati automaticamente la prima volta che addestri con data="Objects365.yaml", più 367 GB per il dataset estratto. Lo script di download installa il pacchetto faster-coco-eval e converte le annotazioni in formato YOLO. Puoi consultare alternative più piccole nella panoramica dei dataset di rilevamento.
Link to this sectionCome posso addestrare un modello YOLO26 sul dataset Objects365?#
Per addestrare un modello YOLO26n utilizzando il dataset Objects365 per 100 epoche con una dimensione dell'immagine di 640, segui queste istruzioni:
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 pagina di Training per un elenco completo degli argomenti disponibili.
Link to this sectionPerché dovrei usare il dataset Objects365 per i miei progetti di rilevamento di oggetti?#
Il vocabolario di 365 classi e le dense annotazioni di Objects365 lo rendono uno dei dataset di pre-addestramento più forti per il rilevamento di oggetti; il paper ICCV 2019 riporta un guadagno di 5,6 punti (42,0 vs 36,4 mAP) rispetto al pre-addestramento ImageNet su COCO. Le sue immagini coprono diversi scenari reali, il che aiuta i modelli a generalizzare bene verso le attività di rilevamento a valle.
Link to this sectionDove posso trovare il file di configurazione YAML per il dataset Objects365?#
Il file di configurazione YAML per il dataset Objects365 è disponibile su Objects365.yaml. Questo file contiene informazioni essenziali come i percorsi del dataset e le etichette delle classi, fondamentali per configurare il tuo ambiente di addestramento.