Ultralytics Benchmark

103

Airbus Oil Storage Detection

ultralytics

PublicDetect

SPOT satellite images of oil storage tank farms worldwide at about 1.2 m resolution, released by Airbus. Source: Jeff Faudi, Airbus, "Airbus Oil Storage Detection" dataset, Kaggle 2021; kaggle.com/datasets/airbusgeo/airbus-oil-storage-detection-dataset.

1 class143.5 MBOct 23, 2026

oil storage tank

COCOは、実環境における多くのコンピュータビジョンタスクを代表するものではありません。Ultralytics Benchmarkは、高品質なバウンディングボックスラベルを備えた、厳選された37の物体検出データセットを対象に、モデルの汎化性能を測定するためのベンチマークデータセットです。対象分野には、医用画像解析、リモートセンシング、交通、文書、ユーザーインターフェース、小売、マシンビジョン、農業、スポーツ、野生生物、水中画像、ごみ検出が含まれます。センサーの種類には、RGB、魚眼、熱赤外線、X線、MRI、超音波、顕微鏡、合成開口レーダー（SAR）が含まれます。

厳選されたデータセットはUltralytics Platformでホストされています。 VLMリーダーボードでは、これらのデータセットのうち36種類の画像を対象に、視覚言語モデルとオープンボキャブラリー検出モデルを精度、コスト、速度でランキングしています。

候補データセットについて、トレーニング分割と検証分割間で完全一致および類似する画像がないか確認しました。フラグが付いたペアをレビューし、分割間のデータ漏洩が確認された場合は該当データを削除するか、影響を受けたデータセットを置き換えました。

データセット#

分野	センサー／画像	データセット	クラス
航空／リモートセンシング	RGB衛星画像	Airbus Oil Storage Detection	1：石油貯蔵タンク
文書／UI	RGB画像およびスキャンページ	AnnoPage document elements	25：化学式／方程式、記号／ロゴ、写真、図面、グラフ、地図、数式、楽譜、画像、装飾、銘文、間取り図、バーコード／QRコード、スタンプ、広告、手書きメモ、図、表、ビネット、フリーズ
スポーツ	RGBカメラ	Basketball Hoop Detection	2：バスケットボール、バスケットゴールのネット
運転／交通	RGB道路カメラ	CEYMO	11：バス専用レーン、自転車レーン、ひし形、交差点ボックス、左矢印、横断歩道、右矢印、直進矢印、徐行、直進・左折矢印、直進・右折矢印
医療	MRI	Cheng Brain Tumor MRI	3：髄膜腫、神経膠腫、下垂体腫瘍
医療	カラー眼底カメラ	DDR Lesion	4：硬性白斑、出血、微小動脈瘤、軟性白斑
産業	ラインスキャン産業用カメラ	DeepPCB	6：断線、短絡、マウスバイト、突起、銅箔、ピンホール
医療	歯科X線	DENTEX	4：埋伏歯、う蝕、根尖病変、深いう蝕
産業	RGB産業用カメラ	DSPCBSD	9：短絡、突起、銅箔異常、断線、マウスバイト、穴あき、導体の傷、導体上の異物、基材上の異物
その他	RGB一人称視点カメラ	EgoHands	4：own_left、own_right、other_left、other_right
その他	RGB・赤外線トレイルカメラ	ENA24	野生生物、人、家畜、車両の22クラス
運転／交通	RGB魚眼カメラ	Fisheye8K	5：バス、自転車、自動車、歩行者、トラック
文書／UI	デジタル図面およびスキャン図面	FloorPlanCAD	建築物の開口部、家具、家電、浴室設備、階段、エレベーター、エスカレーターの30クラス
医療	X線	GRAZPEDWRI-DX	9：骨異常、骨病変、異物、骨折、金属、骨膜反応、回内筋サイン、軟部組織、テキスト
文書／UI	デジタルスクリーンショット	GroundCUA UI	9：ボタン、情報表示、入力要素、メニュー、ナビゲーション、その他、サイドバー、視覚要素、不明
農業	RGB圃場カメラ	GWHD 2021	1：小麦の穂
航空／リモートセンシング	熱赤外線UAV	HIT-UAV	5: 人、車、自転車、その他の車両、無視領域（評価対象外）
医療	セキュリティ用X線	IED X-ray	爆発物、バッテリー、ノートPC、ポケベル、携帯電話、トランシーバー、改造機器の11クラス
医療	RGB内視鏡	Kvasir-SEG Polyp	1：ポリープ
運転／交通	熱赤外線	LLVIP	1：人
航空／リモートセンシング	8バンドマルチスペクトル画像	MODA Multispectral	8：自動車、バン、トラック、バス、三輪車、自転車、ひさし付き自転車、歩行者
農業	RGBカメラ	PlantDoc	作物の葉および植物病害の29クラス
スポーツ	RGB動画フレーム	RacketVision Tennis Ball	1：テニスボール
運転／交通	RGB道路カメラ	RDD2022	5：縦ひび割れ、横ひび割れ、亀甲状ひび割れ、その他の損傷、ポットホール
小売	RGBレジカメラ	RPC Retail Checkout	包装食品、飲料、牛乳、缶詰、チョコレート、ガム、キャンディ、調味料、衛生用品、ティッシュ、文房具を対象とするレジ商品200クラス
その他	RGB水中カメラ	RUOD Underwater	10：ナマコ、ウニ、ホタテ、ヒトデ、魚、サンゴ、ダイバー、コウイカ、カメ、クラゲ
産業	RGBカメラ	Safe Human 17	人、身体部位、工具、個人用保護具の17クラス
航空／リモートセンシング	RGB UAVカメラ	SeaDronesSee	6：無視対象、泳者、ボート、水上バイク、救命器具、ブイ
小売	RGB小売カメラ	SKU-110K	1: 棚上の商品
スポーツ	RGB放送用カメラ	SoccerDB	3: 選手、ボール、ゴール
航空／リモートセンシング	合成開口レーダー (SAR)	SSDD SAR 船舶	1: 船舶
その他	RGBカメラ	TACO ごみ	ごみの素材と物体の28クラス
医療	胸部X線	TBX11K	2: 活動性結核、陳旧性肺結核
医療	超音波	TN5000 甲状腺超音波	2: 良性、悪性
医療	光学顕微鏡	TXL-PBC 血球	3: 白血球、赤血球、血小板
その他	RGBカメラ	UEC 学校給食食品	学校給食の食べ物と飲み物の21クラス
航空／リモートセンシング	RGB UAVカメラ	VisDrone	10: 歩行者、人、自転車、車、バン、トラック、三輪車、屋根付き三輪車、バス、バイク

評価#

各トレーニングスプリットから最大1,000枚の画像をサンプリングし、検証スプリット全体を保持して、テストスプリットを除外します fraction=[1000, 1.0, 0.0] を使用します。
同じ事前学習済みチェックポイントを各データセットで個別にファインチューニングし、patience 100、seed 0、batch 16、workers 4で100エポック学習します。画像サイズは640ピクセルです。seed 0では完全な再現性が得られないため、YOLO27mとYOLO27lではこの条件での3回の実行の平均値を報告します。
クラスのリマッピング、channels-last、予測JSONの出力を有効にし、プロットを無効にします。
各データセットの最良のチェックポイントを評価し、保存されたmax_detを再利用します。これは、そのデータセットで最大の物体数を考慮したものです。
VisDrone DET toolkitと同様に無視領域を適用します。無視領域が半分以上を覆う予測とラベルを除外します。これらはVisDroneの公式な無視領域1,378個と、HIT-UAVのignored regionボックス7個です。その後、HIT-UAVのクラスを削除します。
サイズ別mAP_50-95を計算するには、COCOのSmall、Medium、Largeの区分を適用する前に、正解ボックスと予測ボックスの面積に(640 / max(image_width, image_height)) ** 2を掛けます。
すべてのデータセットを均等に重み付けします。各サイズ指標には、その区分に10個以上の物体が含まれるデータセットのみを使用します。

マクロmAPはsum(dataset validation mAP50-95) / 37です。指標は各データセットの保存済み予測から算出されます。

ベンチマーク結果#

指標は37の検証分割にわたるマクロ平均で、パーセンテージとして報告されます。YOLO27は未リリースのプレビューであり、重みはまだ利用できません。

サイズ	モデル	mAP_50-95	適合率	再現率	mAP_50-95-S	mAP_50-95-M	mAP_50-95-L
L/X	YOLO27l	55.97	79.11	75.14	38.52	55.90	64.64
L/X	YOLO26x	50.19	76.93	69.08	34.89	50.78	52.15
L/X	YOLO26l	50.05	75.28	69.53	34.96	50.37	52.25
L/X	YOLO11l	48.71	74.26	68.50	32.29	50.84	51.14
L/X	YOLOv5l	48.25	74.03	68.16	32.15	49.89	50.27
L/X	YOLOv8l	48.22	74.15	69.14	32.44	49.14	49.98
L/X	YOLOv8x	47.94	76.00	66.82	31.60	49.85	50.16
L/X	YOLOv5x	47.58	75.05	68.15	31.66	49.60	50.18
L/X	YOLO11x	47.49	73.75	67.50	31.64	48.82	49.66
M	YOLO27m	53.68	76.66	73.20	36.47	53.65	61.30
M	YOLO26m	49.74	76.23	68.74	33.40	50.29	51.78
M	YOLOv5m	48.41	74.34	68.39	32.12	49.78	52.39
M	YOLO11m	48.39	73.87	68.85	32.62	49.87	51.23
M	YOLOv8m	48.25	73.89	68.69	31.21	49.73	52.41
S	YOLO27s	51.76	76.68	71.46	35.19	51.68	54.53
S	YOLO11s	48.00	75.00	67.85	29.98	49.81	51.13
S	YOLO26s	47.77	74.24	67.23	32.00	47.91	51.00
S	YOLOv5s	47.55	74.18	67.37	30.95	49.13	50.57
S	YOLOv8s	47.53	74.27	67.68	31.38	48.52	50.57
N	YOLO27n	49.32	75.46	68.82	32.41	49.27	54.05
N	YOLO11n	46.37	72.86	65.94	28.76	47.53	51.05
N	YOLOv8n	46.09	72.53	65.89	29.02	47.61	49.62
N	YOLOv5n	45.29	71.77	65.21	29.03	46.83	48.59
N	YOLO26n	44.37	70.25	63.40	29.12	44.77	48.39

ベンチマーク評価#

データセットにアクセスするには、Ultralyticsのmainブランチを使用し、ULTRALYTICS_API_KEYを設定します。

from ultralytics import YOLO

datasets = [
    "ul://ultralytics/datasets/airbus-oil-storage-detection",
    "ul://ultralytics/datasets/annopage-doc-elements",
    "ul://ultralytics/datasets/basketball-hoop-detection",
    "ul://ultralytics/datasets/ceymo",
    "ul://ultralytics/datasets/cheng-brain-tumor-mri",
    "ul://ultralytics/datasets/ddr-lesion",
    "ul://ultralytics/datasets/deeppcb",
    "ul://ultralytics/datasets/dentex",
    "ul://ultralytics/datasets/dspcbsd-pcb-surface-defect",
    "ul://ultralytics/datasets/egohands-egocentric",
    "ul://ultralytics/datasets/ena24",
    "ul://ultralytics/datasets/fisheye8k-traffic",
    "ul://ultralytics/datasets/floorplancad-2",
    "ul://ultralytics/datasets/grazpedwri-dx",
    "ul://ultralytics/datasets/groundcua-ui-yolo",
    "ul://ultralytics/datasets/global-wheat-head-detection-2021",
    "ul://ultralytics/datasets/hit-uav",
    "ul://ultralytics/datasets/iedxray",
    "ul://ultralytics/datasets/kvasir-seg-polyp",
    "ul://ultralytics/datasets/llvip",
    "ul://ultralytics/datasets/moda-multispectral-obb",
    "ul://ultralytics/datasets/plantdoc",
    "ul://ultralytics/datasets/racketvision-tennis-ball-yolo",
    "ul://ultralytics/datasets/rdd2022",
    "ul://ultralytics/datasets/rpc-retail-checkout",
    "ul://ultralytics/datasets/ruod-underwater",
    "ul://ultralytics/datasets/safe-human-17",
    "ul://ultralytics/datasets/seadronessee-2",
    "ul://ultralytics/datasets/sku110k-2",
    "ul://ultralytics/datasets/soccerdb",
    "ul://ultralytics/datasets/ssdd-sar-ship",
    "ul://ultralytics/datasets/taco-detect",
    "ul://ultralytics/datasets/tbx11k-tb-only",
    "ul://ultralytics/datasets/tn5000-thyroid-us",
    "ul://ultralytics/datasets/txl-pbc-blood-cells",
    "ul://ultralytics/datasets/uec-school-lunch-food-2",
    "ul://ultralytics/datasets/visdrone",
]

results = YOLO("yolo26n.pt").train(
    data=datasets,
    epochs=100,
    patience=100,
    imgsz=640,
    batch=16,
    fraction=[1000, 1.0, 0.0],
    seed=0,
    workers=4,
    cls_remap=True,
    channels_last=True,
    save_json=True,
    plots=False,
)
# メインブランチでは、元の面積に基づくサイズ区分が報告されます。このベンチマークでは、GTと予測の面積を個別にスケーリングします
# サイズ別APを評価する前に (640 / max(image_width, image_height)) ** 2 でスケーリングし、VisDroneと
# HIT-UAVの無視領域を適用します。このスニペットはどちらも行いません。

引用#

Ultralytics Benchmarkを使用した場合は、Ultralytics YOLO26論文を引用してください。

引用

@misc{jocher2026ultralyticsyolo26unifiedrealtime,
  title = {Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models},
  author = {Glenn Jocher and Jing Qiu and Mengyu Liu and Shuai Lyu and Fatih Cagatay Akyon and Muhammet Esat Kalfaoglu},
  year = {2026},
  eprint = {2606.03748},
  archivePrefix = {arXiv},
  primaryClass = {cs.CV},
  doi = {10.48550/arXiv.2606.03748},
  url = {https://arxiv.org/abs/2606.03748},
}

コントリビューター