Ultralytics YOLO27:
Get Started
CC BY 4.0

Objects365データセット#

Objects365データセットは、174万2,289枚のトレーニング画像と8万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の研究者が作成し、ICCV 2019で発表されたこのデータセットは、実世界の多様な物体に焦点を当てています。また、ImageNetで事前学習したモデルよりも優れた汎化性能を持つコンピュータービジョンモデルの事前学習に広く使用されています。



視聴: Objects365 データセットで Ultralytics YOLO をトレーニングする方法

Objects365事前学習済みモデル#

UltralyticsはObjects365v1で事前学習したYOLO26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エポックにわたってトレーニングされています。

モデルサイズ
(ピクセル)		mAPval
50-95		mAPval
50		パラメーター
(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では、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)		mAPボックス
50-95		mAPマスク
50-95		パラメーター
(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の検証分割で単一モデル・単一スケールを使用した結果です。
  • ParamsとFLOPsの値は、model.fuse()の後の融合済みモデルに対するものです。

予測を実行するか、以下のようにこれらのチェックポイントから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

# Objects365で事前学習したYOLO26nモデルを読み込む
model = YOLO("yolo26n-objv1-150.pt")

# 予測を実行する
results = model.predict(source="image.jpg")

# 事前学習済みチェックポイントからトレーニングを開始する
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

主な機能#

  • Objects365は365の物体クラスを定義しており、上流のリリースでは合計約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、物体検出タスクにとって豊富で難易度の高いベンチマークとなっています。
  • 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の論文によると、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（mAP 42.0対36.4）上回ります。

データセットの構成#

UltralyticsのObjects365.yaml設定では、2つの分割が定義されています。

分割画像説明
学習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評価とベンチマーク用にホールドアウトされた画像

ダウンロードではトレーニング分割と検証分割が取得され、合計画像数は1,822,289枚です。設定のtest:キーは空のままです。

用途#

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に対応しています。

  • 検出バックボーンの事前学習: 365クラスと高密度なボックスアノテーションを備えたObjects365での事前学習は、COCOやVOCなどの小規模なデータセットでの下流ファインチューニングを改善します。
  • 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、日常的な数百のカテゴリにより、棚の監視や自動チェックアウトシステムを支援できます。
  • ロボティクスとスマート環境: 家庭内や街中の物体を幅広く網羅しているため、ロボットやスマートカメラは構造化されていないシーンでも物体を認識しやすくなります。
  • 検出器のベンチマーク: クラス数の多さと実環境の画像により、検出モデルの汎化性能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。

独自の画像にラベルを付け、トレーニングを行い、ブラウザー上で大規模データセットを管理するには、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、データセットのパス、クラス名、その他のメタデータを含むデータセット設定を定義しています。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#

ダウンロード容量712 GB

Objects365は初回使用時に自動でダウンロードされ、約712 GBの空きディスク容量が必要です。内訳は、ダウンロードする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。所要時間は接続環境とハードウェアによって異なり、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、以下のコードスニペットを使用できます。利用可能な引数の一覧については、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

# モデルを読み込む
model = YOLO("yolo26n.pt")  # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します）

# モデルをトレーニングする
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、高密度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#

研究または開発でObjects365データセットを使用する場合は、以下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}
}

コンピューター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・管理している研究チームに感謝いたします。Objects365データセットとその作成者の詳細については、Objects365データセットのウェブサイトをご覧ください。

よくある質問#

  • Objects365データセットは、機械学習とコンピューター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枚の検証画像を備えており、特に、小規模でタスクに特化したデータセットで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設定では、365の物体クラスを1,742,289枚のトレーニング画像と80,000枚の検証画像に分けており、合計は1,822,289枚です。テスト分割はありません。上流のリリースでは、合計約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。data="Objects365.yaml"で初めてトレーニングする際に自動で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は検出データセットの概要で確認できます。

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

    トレーニング例
    from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n.pt")  # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します）

# モデルをトレーニングする
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)

    利用可能な引数の一覧については、トレーニングページを参照してください。

  • Objects365は、365クラスの語彙と高密度なアノテーションを備えており、物体検出向けの有力な事前学習データセットの1つです。ICCV 2019の論文では、COCOにおいてImageNetでの事前学習を5.6ポイント（mAP 42.0対36.4）上回ることが報告されています。多様な実世界のシナリオを網羅する画像により、モデルは下流の検出タスクでも優れた汎化性能を発揮しやすくなります。

  • 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情報が含まれています。

コントリビューター
GLglenn-jocher15RAraimbekovm4PDpderrenger2RIRizwanMunawar2Y-Y-T-G1MAMatthewNoyce1

コメント