Dataset Objects365#

Il set di dati Objects365 è un benchmark di object detection su larga scala con 1.742.289 immagini di training e 80.000 immagini di validation che spaziano su 365 classi di oggetti, da persone, automobili e sedie a bottiglie, cani e lampioni. Creato dai ricercatori di Megvii e presentato all'ICCV 2019, si concentra su oggetti diversi nel mondo reale ed è ampiamente utilizzato per effettuare il pre-training di modelli di computer vision che generalizzano meglio di quelli pre-addestrati su ImageNet.

Watch: How to Train Ultralytics YOLO on the Objects365 Dataset

Modelli pre-addestrati Objects365#

Ultralytics pubblica modelli di detection e segmentation YOLO26 pre-addestrati su Objects365v1, così puoi rilevare le sue 365 classi senza scaricare il set di dati. Tutti i modelli sono stati addestrati per 150 epochs a una dimensione di immagine pari a 640.

Modello	dimensione ^(pixel)	mAP^val 50-95	mAP^val 50	params ^(M)	FLOPs ^(B)
YOLO26n	640	16.3	22.3	2.5	6.0
YOLO26s	640	24.3	31.7	9.6	21.3
YOLO26m	640	30.3	38.2	20.6	69.4
YOLO26l	640	32.2	40.1	25.0	87.7
YOLO26x	640	35.8	44.1	56.1	195.7

I modelli di segmentazione utilizzano maschere generate per Objects365v1 e riportano l'accuratezza sia per i box che per le maschere:

Modello	dimensione ^(pixel)	mAP^box 50-95	mAP^mask 50-95	params ^(M)	FLOPs ^(B)
YOLO26n-seg	640	15.7	13.2	2.8	9.7
YOLO26s-seg	640	23.8	19.5	10.5	34.8
YOLO26m-seg	640	29.5	23.8	23.8	122.7
YOLO26l-seg	640	31.7	25.3	28.2	141.0
YOLO26x-seg	640	35.4	27.9	63.1	315.3

I valori mAP^val si riferiscono a un singolo modello su scala singola nel set di validazione di Objects365v1.
I valori di Params e FLOPs si riferiscono al modello unito dopo model.fuse().

Puoi eseguire la prediction o iniziare il fine-tuning da questi checkpoint come segue.

Esempio di utilizzo del modello preaddestrato

from ultralytics import YOLO

# Load an Objects365 pretrained YOLO26n model
model = YOLO("yolo26n-objv1-150.pt")

# Run prediction
results = model.predict(source="image.jpg")

# Start training from the pretrained checkpoint
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Caratteristiche 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 dell'ICCV 2019, il preaddestramento su Objects365 supera il preaddestramento su ImageNet di 5,6 punti (42,0 contro 36,4 mAP) sul benchmark COCO.

Struttura del dataset#

La configurazione Ultralytics Objects365.yaml definisce due suddivisioni:

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 le suddivisioni di train e validation — 1.822.289 immagini in totale — e la chiave test: nella configurazione viene lasciata vuota.

Applicazioni#

Il set di dati Objects365 supporta un'ampia gamma di applicazioni di deep learning nell'object detection:

Preaddestramento dei backbone di rilevamento: Con 365 classi e annotazioni di bounding box dense, il preaddestramento su Objects365 migliora il fine-tuning successivo su set di dati 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 set di dati su larga scala direttamente nel browser, esegui il flusso di lavoro completo con la Ultralytics Platform.

Dataset YAML#

Il file Objects365.yaml definisce la configurazione del set di dati: i percorsi dei dati, i nomi delle classi e altri metadati. È mantenuto nel repository Ultralytics all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yaml.

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}"))

Utilizzo#

Download da 712 GB

Objects365 viene scaricato 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 set di dati estratto. Lo script di download installa il pacchetto faster-coco-eval e converte le annotazioni nel formato YOLO, operazione che potrebbe richiedere molto tempo a seconda della tua connessione e dell'hardware.

Per addestrare un modello YOLO26n sul set di dati Objects365 per 100 epochs con una dimensione immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di Training del modello.

Esempio di Addestramento

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)

Esempi 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:

Campione del set di dati Objects365 con annotazioni di oggetti diversi

Citazioni e riconoscimenti#

Se utilizzi il dataset Objects365 nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare il seguente articolo:

Citazione

@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 set di dati Objects365 come risorsa preziosa per la comunità di ricerca sulla computer vision. Per ulteriori informazioni sul set di dati Objects365 e sui suoi creatori, visita il sito web del set di dati Objects365.

FAQ#

A cosa serve il dataset Objects365?#

Il set di dati Objects365 viene utilizzato per addestrare e valutare modelli di object detection nel machine learning e nella computer vision. Offre 1.742.289 immagini di training e 80.000 immagini di validation su 365 classi di oggetti ed è particolarmente popolare per il preaddestramento di rilevatori che vengono successivamente perfezionati su set di dati più piccoli e specifici per l'attività.

Quante immagini e classi sono presenti nel dataset Objects365?#

La configurazione Ultralytics Objects365.yaml copre 365 classi di oggetti suddivise in 1.742.289 immagini di training e 80.000 immagini di validation (1.822.289 in totale), senza alcuna suddivisione di test. La release upstream riporta circa 2 milioni di immagini con 30 milioni di bounding box in totale.

Quanto è grande il download del dataset Objects365?#

Objects365 richiede circa 712 GB di spazio su disco: circa 345 GB di archivi zip scaricati automaticamente la prima volta che esegui l'addestramento con data="Objects365.yaml", più 367 GB per il set di dati estratto. Lo script di download installa il pacchetto faster-coco-eval e converte le annotazioni in formato YOLO. Puoi esplorare alternative più piccole nella panoramica dei set di dati di rilevamento.

Come 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:

Esempio di Addestramento

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)

Fai riferimento alla pagina di Training per un elenco completo degli argomenti disponibili.

Perché 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 set di dati di preaddestramento più forti per l'object detection: il paper dell'ICCV 2019 riporta un incremento di 5,6 punti (42,0 contro 36,4 mAP) rispetto al preaddestramento su ImageNet su COCO. Le sue immagini coprono diversi scenari del mondo reale, aiutando i modelli a generalizzare efficacemente verso attività di rilevamento successive.

Dove posso trovare il file di configurazione YAML per il dataset Objects365?#

Il file di configurazione YAML per il set di dati Objects365 è disponibile all'indirizzo Objects365.yaml. Questo file contiene informazioni essenziali come i percorsi dei dati e le etichette delle classi, fondamentali per configurare il tuo ambiente di addestramento.

Contributori

GLglenn-jocher¹⁵ RAraimbekovm² RIRizwanMunawar² Y-Y-T-G¹ PDpderrenger¹ MAMatthewNoyce¹

Creato 12 nov 2023Aggiornato settimana scorsa