Oggetti365 Set di dati
Il set di dati Objects365 è un set di dati su larga scala e di alta qualità, progettato per favorire la ricerca sul rilevamento degli oggetti, con particolare attenzione ai diversi oggetti presenti in natura. Creato da un team di ricercatori del Megvii, il dataset offre un'ampia gamma di immagini ad alta risoluzione con un set completo di bounding box annotati che coprono 365 categorie di oggetti.
Caratteristiche principali
- Objects365 contiene 365 categorie di oggetti, con 2 milioni di immagini e oltre 30 milioni di bounding box.
- Il set di dati comprende oggetti diversi in vari scenari, fornendo un benchmark ricco e impegnativo per le attività di rilevamento degli oggetti.
- Le annotazioni includono i riquadri di delimitazione degli oggetti, rendendoli adatti all'addestramento e alla valutazione dei modelli di rilevamento degli oggetti.
- I modelli pre-addestrati di Objects365 superano significativamente i modelli pre-addestrati di ImageNet, portando a una migliore generalizzazione su vari compiti.
Struttura del set di dati
Il set di dati Objects365 è organizzato in un unico insieme di immagini con le relative annotazioni:
- Immagini: Il set di dati comprende 2 milioni di immagini ad alta risoluzione, ognuna delle quali contiene una varietà di oggetti appartenenti a 365 categorie.
- Annotazioni: Le immagini sono annotate con oltre 30 milioni di caselle di delimitazione, fornendo informazioni complete sulla verità di base per le attività di rilevamento degli oggetti.
Applicazioni
Il dataset Objects365 è ampiamente utilizzato per l'addestramento e la valutazione di modelli di deep learning in compiti di rilevamento di oggetti. La varietà di categorie di oggetti e le annotazioni di alta qualità rendono il dataset una risorsa preziosa per i ricercatori e i professionisti nel campo della computer vision.
Set di dati YAML
Un file YAML (Yet Another Markup Language) è usato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del dataset Objects365, il file Objects365.yaml Il file viene mantenuto all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yaml.
ultralytics/cfg/datasets/Objects365.yaml
# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 tqdm import tqdm
from ultralytics.utils.checks import check_requirements
from ultralytics.utils.downloads import download
from ultralytics.utils.ops import xyxy2xywhn
import numpy as np
from pathlib import Path
check_requirements(('pycocotools>=2.0',))
from pycocotools.coco import COCO
# Make Directories
dir = Path(yaml['path']) # dataset root dir
for p in 'images', 'labels':
(dir / p).mkdir(parents=True, exist_ok=True)
for q in 'train', 'val':
(dir / p / q).mkdir(parents=True, exist_ok=True)
# Train, Val Splits
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
# 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, curl=True, threads=8)
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, curl=True, threads=8)
download([f'{url}images/v2/patch{i}.tar.gz' for i in range(16, patches)], dir=images, curl=True, threads=8)
# Move
for f in tqdm(images.rglob('*.jpg'), desc=f'Moving {split} images'):
f.rename(images / f.name) # move to /images/{split}
# 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)
for im in tqdm(coco.loadImgs(imgIds), desc=f'Class {cid + 1}/{len(names)} {cat}'):
width, height = im["width"], im["height"]
path = Path(im["file_name"]) # image filename
try:
with open(labels / path.with_suffix('.txt').name, 'a') 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)
Utilizzo
Per addestrare un modello YOLO11n sul dataset Objects365 per 100 epoche con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina di addestramento del modello.
Esempio di treno
Dati e annotazioni di esempio
Il set di dati Objects365 contiene un insieme eterogeneo di immagini ad alta risoluzione con oggetti appartenenti a 365 categorie, che forniscono un contesto ricco per le attività di rilevamento degli oggetti. Ecco alcuni esempi di immagini contenute nel dataset:
- Oggetti365: Questa immagine mostra un esempio di rilevamento di oggetti, in cui gli oggetti sono annotati con caselle di delimitazione. Il set di dati fornisce un'ampia gamma di immagini per facilitare lo sviluppo di modelli per questo compito.
L'esempio mostra la varietà e la complessità dei dati contenuti nel dataset Objects365 e sottolinea l'importanza di un rilevamento accurato degli oggetti per le applicazioni di computer vision.
Citazioni e ringraziamenti
Se utilizzate il dataset Objects365 nel vostro lavoro di ricerca o sviluppo, siete pregati di citare il seguente documento:
@inproceedings{shao2019objects365,
title={Objects365: A Large-scale, High-quality Dataset for Object Detection},
author={Shao, Shuai and Li, Zeming and Zhang, Tianyuan and Peng, Chao and Yu, Gang and Li, Jing and Zhang, Xiangyu and Sun, Jian},
booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
pages={8425--8434},
year={2019}
}
Desideriamo ringraziare il team di ricercatori che ha creato e mantiene il dataset Objects365 come una preziosa risorsa per la comunità di ricerca sulla computer vision. Per ulteriori informazioni sul dataset Objects365 e sui suoi creatori, visitare il sito web del dataset Objects365.
FAQ
A cosa serve il dataset Objects365?
Il dataset Objects365 è stato progettato per compiti di rilevamento di oggetti nell'apprendimento automatico e nella visione artificiale. Fornisce un set di dati su larga scala e di alta qualità con 2 milioni di immagini annotate e 30 milioni di bounding box per 365 categorie. L'utilizzo di un set di dati così diversificato aiuta a migliorare le prestazioni e la generalizzazione dei modelli di rilevamento degli oggetti, rendendolo prezioso per la ricerca e lo sviluppo in questo campo.
Come posso addestrare un modello YOLO11 sul dataset Objects365?
Per addestrare un modello YOLO11n utilizzando il dataset Objects365 per 100 epoche con una dimensione dell'immagine di 640, seguire le seguenti istruzioni:
Esempio di treno
Per un elenco completo degli argomenti disponibili, consultare la pagina Formazione.
Perché dovrei utilizzare il dataset Objects365 per i miei progetti di rilevamento degli oggetti?
Il set di dati Objects365 offre diversi vantaggi per le attività di rilevamento degli oggetti:
- Diversità: Include 2 milioni di immagini con oggetti in scenari diversi, che coprono 365 categorie.
- Annotazioni di alta qualità: Oltre 30 milioni di caselle di delimitazione forniscono dati di verità a terra completi.
- Prestazioni: I modelli pre-addestrati su Objects365 superano significativamente quelli addestrati su dataset come ImageNet, portando a una migliore generalizzazione.
Dove posso trovare il file di configurazione YAML per il dataset Objects365?
Il file di configurazione YAML per il dataset Objects365 è disponibile all'indirizzo Objects365.yaml. Questo file contiene informazioni essenziali, come i percorsi dei dataset e le etichette delle classi, fondamentali per impostare l'ambiente di allenamento.
In che modo la struttura del dataset di Objects365 migliora la modellazione del rilevamento degli oggetti?
Il dataset Objects365 è organizzato con 2 milioni di immagini ad alta risoluzione e annotazioni complete di oltre 30 milioni di bounding box. Questa struttura garantisce un dataset robusto per l'addestramento di modelli di deep learning nel rilevamento di oggetti, offrendo un'ampia varietà di oggetti e scenari. Tale diversità e volume aiutano a sviluppare modelli più accurati e capaci di generalizzare bene alle applicazioni del mondo reale. Per maggiori dettagli sulla struttura del dataset, consultare la sezione YAML del dataset.
