Ultralytics YOLO27:
CC BY 4.0

Objects365データセット#

Objects365データセットは、1,742,289枚のトレーニング画像と80,000枚の検証画像を含み、人物、車、椅子からボトル、犬、街灯まで365種類の物体クラスを網羅する大規模な物体検出ベンチマークです。Megviiの研究者によって作成され、ICCV 2019で発表されたこのデータセットは、実環境に存在する多様な物体に焦点を当てており、ImageNetで事前学習したモデルよりも高い汎化性能を持つコンピュータビジョンモデルの事前学習に広く使用されています。



Watch: How to Train Ultralytics YOLO on the Objects365 Dataset

Objects365事前学習済みモデル#

Ultralyticsは、Objects365v1で事前学習したYOLO26の検出モデルとセグメンテーションモデルを公開しているため、データセットをダウンロードせずに365クラスを検出できます。すべてのモデルは、画像サイズ640で150エポック学習されています。

モデルサイズ
（ピクセル）		mAPval
50-95		mAPval
50		パラメーター数
（M）		FLOPs
（B）
YOLO26n64016.322.32.56.1
YOLO26s64024.331.79.621.5
YOLO26m64030.338.220.669.7
YOLO26l64032.240.125.088.0
YOLO26x64035.844.156.1196.3

セグメンテーションモデルはObjects365v1向けに生成されたマスクを使用し、ボックスとマスクの両方の精度を報告します。

モデルサイズ
（ピクセル）		mAPbox
50-95		mAPmask
50-95		パラメーター数
（M）		FLOPs
（B）
YOLO26n-seg64015.713.22.89.8
YOLO26s-seg64023.819.510.535.1
YOLO26m-seg64029.523.823.8123.0
YOLO26l-seg64031.725.328.2141.3
YOLO26x-seg64035.427.963.1315.9
  • **mAPval**の値は、Objects365v1の検証スプリットにおける単一モデル・単一スケールの結果です。
  • ParamsとFLOPsの値は、model.fuse()後の融合モデルに対するものです。

次のように、これらのチェックポイントから推論を実行するか、ファインチューニングを開始できます。

事前学習済みモデルの使用例
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)

主な特徴#

  • Objects365は365種類の物体クラスを定義しており、上流のリリースでは、合計で約200万枚の画像と3,000万個のバウンディングボックスが報告されています。
  • このデータセットには、さまざまな実世界のシナリオにおける多様な物体が含まれており、物体検出タスク向けの豊富で難易度の高いベンチマークを提供します。
  • アノテーションには物体のバウンディングボックスが含まれているため、物体検出モデルのトレーニングと評価に適しています。
  • ICCV 2019論文によると、Objects365での事前学習は、COCOベンチマークにおいてImageNetでの事前学習を5.6ポイント（42.0対36.4 mAP）上回ります。

データセットの構成#

UltralyticsのObjects365.yaml設定では、2つのスプリットを定義しています。

分割画像説明
トレーニング1,742,289モデルのトレーニング用ラベル付き画像
検証80,000評価およびベンチマーク用に保持された画像

ダウンロードでは、トレーニングと検証のスプリット（合計1,822,289枚の画像）を取得し、設定内のtest:キーは空のままになります。

アプリケーション#

Objects365データセットは、物体検出における幅広いディープラーニングアプリケーションをサポートします。

  • 検出バックボーンの事前学習: 365クラスと密なボックスアノテーションにより、Objects365での事前学習は、COCOやVOCなどの小規模なデータセットに対する下流のファインチューニングを向上させます。
  • 小売・在庫認識: ボトル、カップ、スニーカー、ハンドバッグなど、数百種類の日用品カテゴリにより、棚の監視や自動チェックアウトシステムを支援します。
  • ロボティクスとスマート環境: 家庭用品や街中の物体を幅広くカバーしているため、ロボットやスマートカメラが非構造化シーン内の物体を認識するのに役立ちます。
  • 検出器のベンチマーク: 多数のクラスと実環境の画像により、検出モデルがどの程度適切に汎化するかを評価するための難易度の高いベンチマークとなっています。

独自の画像へのラベル付け、トレーニング、大規模データセットのブラウザ上での管理を行うには、Ultralytics Platformでワークフロー全体を実行してください。

データセット YAML#

Objects365.yamlファイルでは、データセットの設定（データセットのパス、クラス名、その他のメタデータ）を定義しています。このファイルは、Ultralyticsリポジトリのhttps://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yamlで管理されています。

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}"))

使用方法#

712 GBのダウンロード

Objects365は初回使用時に自動的にダウンロードされ、約712 GBの空きディスク容量が必要です。内訳は、ダウンロードしたzipアーカイブが345 GB、展開後のデータセットが367 GBです。ダウンロードスクリプトはfaster-coco-evalパッケージをインストールし、アノテーションをYOLO形式に変換します。この処理には、接続環境やハードウェアによって長時間かかる場合があります。

Objects365データセットでYOLO26nモデルを画像サイズ640、100エポックでトレーニングするには、次のコードスニペットを使用できます。利用可能な引数の包括的な一覧については、モデルのトレーニングページを参照してください。

トレーニング例
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)

サンプル画像とアノテーション#

Objects365データセットには、365クラスにわたる多様な高解像度画像と、密なバウンディングボックスアノテーションが含まれています。以下のサンプルは、このデータセットに典型的な実環境のシーンと複数物体のアノテーションを示しています。

多様な物体アノテーションを含むObjects365データセットのサンプル

引用と謝辞#

研究または開発作業でObjects365データセットを使用する場合は、次の論文を引用してください。

引用
@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}
}

コンピュータビジョン研究コミュニティにとって貴重なリソースであるObjects365データセットを作成・維持している研究者チームに感謝します。Objects365データセットとその作成者について詳しくは、Objects365データセットのWebサイトをご覧ください。

FAQ#

  • Objects365データセットは、機械学習とコンピュータビジョンにおける物体検出モデルのトレーニングと評価に使用されます。365種類の物体クラスにわたる1,742,289枚のトレーニング画像と80,000枚の検証画像を提供し、特に小規模で特定のタスク向けのデータセットに後からファインチューニングする検出器の事前学習に広く利用されています。

  • UltralyticsのObjects365.yaml設定は、1,742,289枚のトレーニング画像と80,000枚の検証画像に分割された365種類の物体クラス（合計1,822,289枚、テストスプリットなし）を対象としています。上流のリリースでは、全体で約200万枚の画像と3,000万個のバウンディングボックスが報告されています。

  • Objects365には約712 GBのディスク容量が必要です。内訳は、data="Objects365.yaml"を使って初めてトレーニングする際に自動的にダウンロードされるzipアーカイブが約345 GB、展開後のデータセットが367 GBです。ダウンロードスクリプトはfaster-coco-evalパッケージをインストールし、アノテーションをYOLO形式に変換します。より小規模な代替データセットについては、検出データセットの概要をご覧ください。

  • Objects365データセットを使用してYOLO26nモデルを画像サイズ640、100エポックでトレーニングするには、次の手順に従ってください。

    トレーニング例
    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)

    利用可能な引数の包括的な一覧については、トレーニングページを参照してください。

  • Objects365は365クラスの語彙と密なアノテーションを備えており、物体検出向けの最も優れた事前学習データセットの1つです。ICCV 2019論文では、COCOにおいてImageNetでの事前学習を5.6ポイント（42.0対36.4 mAP）上回ったと報告されています。画像は多様な実世界のシナリオをカバーしているため、モデルが下流の検出タスクに適切に汎化するのに役立ちます。

  • Objects365データセットのYAML設定ファイルはObjects365.yamlで入手できます。このファイルには、トレーニング環境の設定に不可欠なデータセットのパスやクラスラベルなどの重要な情報が含まれています。

貢献者
GLglenn-jocher15RAraimbekovm4PDpderrenger2RIRizwanMunawar2Y-Y-T-G1MAMatthewNoyce1

コメント