Objects365 데이터셋#
Objects365 데이터셋은 365개 객체 클래스를 아우르는 대규모 객체 탐지 벤치마크로, 학습 이미지 1,742,289개와 검증 이미지 80,000개를 포함합니다. 사람, 자동차, 의자부터 병, 개, 가로등까지 다양한 객체를 다룹니다. Megvii 연구진이 제작하여 ICCV 2019에서 발표했으며, 실제 환경의 다양한 객체에 중점을 둡니다. 또한 컴퓨터 비전 모델을 사전 학습하는 데 널리 사용되며, 이 모델은 ImageNet으로 사전 학습된 모델보다 일반화 성능이 뛰어납니다.
시청: Objects365 데이터셋으로 Ultralytics YOLO를 학습하는 방법
Objects365 사전 학습 모델#
Ultralytics는 Objects365v1으로 사전 학습한 YOLO26 탐지 및 세그멘테이션 모델을 제공하므로, 데이터셋을 다운로드하지 않고도 365개 클래스를 탐지할 수 있습니다. 모든 모델은 이미지 크기 640으로 150 에폭 동안 학습되었습니다.
| 모델 | 크기 (픽셀) | mAP검증 50-95 | mAP검증 50 | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|
| YOLO26n | 640 | 16.3 | 22.3 | 2.5 | 6.1 |
| YOLO26s | 640 | 24.3 | 31.7 | 9.6 | 21.5 |
| YOLO26m | 640 | 30.3 | 38.2 | 20.6 | 69.7 |
| YOLO26l | 640 | 32.2 | 40.1 | 25.0 | 88.0 |
| YOLO26x | 640 | 35.8 | 44.1 | 56.1 | 196.3 |
세그멘테이션 모델은 Objects365v1용으로 생성된 마스크를 사용하며, 박스와 마스크 정확도를 모두 보고합니다.
| 모델 | 크기 (픽셀) | mAP박스 50-95 | mAP마스크 50-95 | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|
| YOLO26n-seg | 640 | 15.7 | 13.2 | 2.8 | 9.8 |
| YOLO26s-seg | 640 | 23.8 | 19.5 | 10.5 | 35.1 |
| YOLO26m-seg | 640 | 29.5 | 23.8 | 23.8 | 123.0 |
| YOLO26l-seg | 640 | 31.7 | 25.3 | 28.2 | 141.3 |
| YOLO26x-seg | 640 | 35.4 | 27.9 | 63.1 | 315.9 |
- mAPval 값은 Objects365v1 검증 분할에서 단일 모델, 단일 스케일로 측정한 결과입니다.
- Params 및 FLOPs 값은
model.fuse()이후의 융합 모델을 기준으로 합니다.
예측을 실행하거나 다음과 같이 이 체크포인트에서 파인튜닝을 시작할 수 있습니다.
사전 학습 모델 사용 예제
from ultralytics import YOLO
# Objects365 사전 학습 YOLO26n 모델 불러오기
model = YOLO("yolo26n-objv1-150.pt")
# 예측 실행
results = model.predict(source="image.jpg")
# 사전 학습 체크포인트에서 학습 시작
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)주요 기능#
- Objects365는 365개의 객체 클래스를 정의하며, 원본 릴리스에는 총 약 200만 개의 이미지와 3,000만 개의 바운딩 박스가 보고되어 있습니다.
- 이 데이터셋에는 다양한 실제 환경의 여러 객체가 포함되어 있어 객체 탐지 작업을 위한 풍부하고 도전적인 벤치마크를 제공합니다.
- 주석에는 객체의 바운딩 박스가 포함되어 있어 객체 탐지 모델의 학습 및 평가에 적합합니다.
- ICCV 2019 논문에 따르면 Objects365 사전 학습은 COCO 벤치마크에서 ImageNet 사전 학습보다 5.6포인트 높은 성능을 보입니다(mAP 42.0 대 36.4).
데이터셋 구조#
Ultralytics Objects365.yaml 구성은 두 가지 분할을 정의합니다.
| 분할 | 이미지 | 설명 |
|---|---|---|
| 학습 | 1,742,289 | 모델 학습용 라벨링 이미지 |
| 검증 | 80,000 | 평가 및 벤치마킹용 별도 이미지 |
다운로드는 학습 및 검증 분할을 가져오며, 총 이미지 수는 1,822,289개입니다. 구성의 test: 키는 비어 있는 상태로 유지됩니다.
응용 분야#
Objects365 데이터셋은 객체 탐지 분야의 다양한 딥러닝 애플리케이션을 지원합니다.
- 탐지 백본 사전 학습: 365개 클래스와 조밀한 박스 주석을 갖춘 Objects365 사전 학습은 COCO 및 VOC와 같은 더 작은 데이터셋으로 수행하는 후속 파인튜닝 성능을 향상합니다.
- 소매 및 재고 인식: 병, 컵, 운동화, 핸드백 등 수백 가지 일상 카테고리를 활용하여 진열대 모니터링 및 자동 계산 시스템을 구축할 수 있습니다.
- 로보틱스 및 스마트 환경: 가정 및 거리 객체를 폭넓게 다루므로 로봇과 스마트 카메라가 비정형 장면에서 객체를 인식하는 데 도움이 됩니다.
- 탐지기 벤치마킹: 긴 클래스 목록과 실제 환경 이미지로 인해 탐지 모델의 일반화 성능을 평가하기 까다로운 벤치마크입니다.
자체 이미지에 레이블을 지정하고, 대규모 데이터셋을 브라우저에서 학습 및 관리하려면 Ultralytics Platform에서 전체 워크플로를 실행하세요.
데이터셋 YAML#
Objects365.yaml 파일은 데이터셋 경로, 클래스 이름 및 기타 메타데이터를 포함한 데이터셋 구성을 정의합니다. 이 파일은 Ultralytics 저장소의 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yaml에서 관리됩니다.
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}"))사용법#
712 GB 다운로드
Objects365는 처음 사용할 때 자동으로 다운로드되며, 약 712 GB의 여유 디스크 공간이 필요합니다. 다운로드한 ZIP 아카이브에 345 GB, 압축을 푼 데이터셋에 367 GB가 사용됩니다. 다운로드 스크립트는 faster-coco-eval 패키지를 설치하고 주석을 YOLO 형식으로 변환합니다. 연결 상태와 하드웨어에 따라 시간이 오래 걸릴 수 있습니다.
다음 코드 예제를 사용하면 이미지 크기 640으로 Objects365 데이터셋에서 YOLO26n 모델을 100 에폭 동안 학습할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.
학습 예제
from ultralytics import YOLO
# 모델 로드
model = YOLO("yolo26n.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장).
# 모델 학습
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)샘플 이미지 및 어노테이션#
Objects365 데이터셋에는 365개 클래스에 걸쳐 다양하고 고해상도인 이미지와 조밀한 바운딩 박스 주석이 포함되어 있습니다. 아래 샘플은 이 데이터셋에 일반적인 실제 환경 장면과 다중 객체 주석을 보여줍니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 Objects365 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요.
인용
@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}
}컴퓨터 비전 연구 커뮤니티를 위한 귀중한 리소스인 Objects365 데이터셋을 제작하고 유지 관리하는 연구진에게 감사의 뜻을 전합니다. Objects365 데이터셋과 제작자에 대한 자세한 내용은 Objects365 데이터셋 웹사이트를 참조하세요.
자주 묻는 질문#
Objects365 데이터셋은 머신러닝 및 컴퓨터 비전 분야에서 객체 탐지 모델을 학습하고 평가하는 데 사용됩니다. 365개 객체 클래스에 걸쳐 학습 이미지 1,742,289개와 검증 이미지 80,000개를 제공하며, 특히 탐지기를 사전 학습한 뒤 더 작고 특정 작업에 특화된 데이터셋으로 파인튜닝하는 데 널리 사용됩니다.
Ultralytics
Objects365.yaml구성은 365개 객체 클래스를 포함하며, 학습 이미지 1,742,289개와 검증 이미지 80,000개로 나뉩니다. 총 1,822,289개이며 테스트 분할은 없습니다. 원본 릴리스에는 전체적으로 약 200만 개의 이미지와 3,000만 개의 바운딩 박스가 보고되어 있습니다.Objects365에는 약 712 GB의 디스크 공간이 필요합니다.
data="Objects365.yaml"으로 처음 학습할 때 자동으로 다운로드되는 ZIP 아카이브가 약 345 GB이며, 압축을 푼 데이터셋에 367 GB가 필요합니다. 다운로드 스크립트는faster-coco-eval패키지를 설치하고 주석을 YOLO 형식으로 변환합니다. 더 작은 대안은 탐지 데이터셋 개요에서 확인할 수 있습니다.Objects365 데이터셋을 사용해 이미지 크기 640으로 YOLO26n 모델을 100 에폭 동안 학습하려면 다음 지침을 따르세요.
학습 예제from ultralytics import YOLO # 모델 로드 model = YOLO("yolo26n.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장). # 모델 학습 results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)사용 가능한 인수의 전체 목록은 학습 페이지를 참조하세요.
365개 클래스 어휘와 조밀한 주석을 갖춘 Objects365는 객체 탐지를 위한 가장 강력한 사전 학습 데이터셋 중 하나입니다. ICCV 2019 논문은 COCO에서 ImageNet 사전 학습보다 5.6포인트 향상된 결과를 보고했습니다(mAP 42.0 대 36.4). 다양한 실제 환경을 포괄하는 이미지 덕분에 모델은 후속 탐지 작업에서 더 잘 일반화할 수 있습니다.
Objects365 데이터셋의 YAML 구성 파일은 Objects365.yaml에서 확인할 수 있습니다. 이 파일에는 데이터셋 경로 및 클래스 레이블과 같은 필수 정보가 포함되어 있어 학습 환경 설정에 중요합니다.