Link to this sectionObjects365 데이터셋#
Objects365 데이터셋은 야생의 다양한 객체에 초점을 맞춰 객체 탐지 연구를 촉진하기 위해 설계된 대규모 고품질 데이터셋입니다. Megvii 연구팀이 제작한 이 데이터셋은 365개 객체 카테고리를 포괄하는 포괄적인 주석 처리된 BBox(경계 상자)와 함께 다양한 고해상도 이미지를 제공합니다.
Watch: How to Train Ultralytics YOLO26 on the Objects365 Dataset with Ultralytics | 2M Annotations 🚀
Link to this section주요 특징#
- Objects365는 365개 객체 카테고리를 포함하며, 2백만 장의 이미지와 3천만 개 이상의 BBox를 제공합니다.
- 이 데이터셋은 다양한 시나리오 내의 여러 객체를 포함하고 있어, 객체 탐지 작업을 위한 풍부하고 도전적인 벤치마크를 제공합니다.
- 주석에는 객체에 대한 BBox가 포함되어 있어 객체 탐지 모델을 학습하고 평가하는 데 적합합니다.
- Objects365 사전 학습 모델은 ImageNet 사전 학습 모델보다 성능이 월등히 뛰어나 다양한 작업에서 더 나은 일반화 성능을 보입니다.
Link to this section데이터셋 구조#
Objects365 데이터셋은 해당하는 주석이 포함된 단일 이미지 세트로 구성되어 있습니다:
- Images: 이 데이터셋은 365개 카테고리에 걸쳐 다양한 객체를 포함하는 2백만 장의 고해상도 이미지를 제공합니다.
- 주석(Annotations): 이미지는 3천만 개 이상의 BBox로 주석 처리되어 있으며, object detection 작업을 위한 포괄적인 ground truth 정보를 제공합니다.
Link to this section응용 분야#
Objects365 데이터셋은 객체 탐지 작업에서 deep learning 모델을 학습하고 평가하는 데 널리 사용됩니다. 데이터셋의 다양한 객체 카테고리와 고품질 주석은 computer vision 분야의 연구자와 실무자들에게 귀중한 자원이 됩니다.
Link to this section데이터셋 YAML#
데이터셋 구성을 정의하기 위해 YAML(Yet Another Markup Language) 파일이 사용됩니다. 이 파일에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. Objects365 데이터셋의 경우 Objects365.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yaml에 유지 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}"))Link to this section사용법#
이미지 크기 640으로 100 epochs 동안 Objects365 데이터셋에서 YOLO26n 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 Training 페이지를 참조하십시오.
훈련 예제
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)Link to this section샘플 데이터 및 주석#
Objects365 데이터셋은 365개 카테고리의 객체가 포함된 다양한 고해상도 이미지를 담고 있으며, object detection 작업에 풍부한 컨텍스트를 제공합니다. 다음은 데이터셋 이미지의 몇 가지 예시입니다:
- Objects365: 이 이미지는 객체가 BBox로 주석 처리된 객체 탐지의 예를 보여줍니다. 데이터셋은 이 작업을 위한 모델 개발을 원활하게 하기 위해 광범위한 이미지를 제공합니다.
이 예제는 Objects365 데이터셋에 있는 데이터의 다양성과 복잡성을 보여주며, 컴퓨터 비전 애플리케이션을 위한 정확한 객체 탐지의 중요성을 강조합니다.
Link to this section인용 및 감사의 글#
연구 또는 개발 작업에 Objects365 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:
인용
@inproceedings{shao2019objects365,
title={Objects365: A Large-scale, High-quality Dataset for Object Detection},
author={Shao, Shuai and Li, Zeming and Zhang, Tianyuan and Peng, Chao and Yu, Gang and Li, Jing and Zhang, Xiangyu and Sun, Jian},
booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
pages={8425--8434},
year={2019}
}컴퓨터 비전 연구 커뮤니티를 위한 귀중한 자원으로서 Objects365 데이터셋을 제작하고 유지 관리하는 연구팀에 감사를 표합니다. Objects365 데이터셋과 제작자에 대한 자세한 내용은 Objects365 데이터셋 웹사이트를 방문하십시오.
Link to this sectionFAQ#
Link to this sectionObjects365 데이터셋은 어떤 용도로 사용됩니까?#
Objects365 데이터셋은 machine learning 및 컴퓨터 비전의 객체 탐지 작업을 위해 설계되었습니다. 이 데이터셋은 365개 카테고리에 걸쳐 2백만 장의 주석이 달린 이미지와 3천만 개의 BBox를 포함하는 대규모 고품질 데이터를 제공합니다. 이처럼 다양한 데이터셋을 활용하면 객체 탐지 모델의 성능과 일반화 능력을 향상시킬 수 있어 해당 분야의 연구 개발에 매우 유용합니다.
Link to this sectionObjects365 데이터셋에서 YOLO26 모델을 학습하려면 어떻게 해야 합니까?#
이미지 크기 640으로 100 epochs 동안 Objects365 데이터셋을 사용하여 YOLO26n 모델을 학습하려면 다음 지침을 따르십시오:
훈련 예제
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)사용 가능한 인수의 전체 목록은 Training 페이지를 참조하십시오.
Link to this section객체 탐지 프로젝트에 Objects365 데이터셋을 사용해야 하는 이유는 무엇입니까?#
Objects365 데이터셋은 객체 탐지 작업에 다음과 같은 여러 이점을 제공합니다:
- Diversity: 365개 카테고리를 포괄하며 다양한 시나리오의 객체가 포함된 2백만 장의 이미지를 포함합니다.
- High-quality Annotations: 3천만 개 이상의 BBox가 포괄적인 정답(ground truth) 데이터를 제공합니다.
- 성능(Performance): Objects365로 사전 학습된 모델은 ImageNet과 같은 데이터셋으로 학습된 모델보다 월등한 성능을 보이며, 더 나은 일반화 성능을 제공합니다.
Link to this sectionObjects365 데이터셋의 YAML 구성 파일은 어디서 찾을 수 있습니까?#
Objects365 데이터셋의 YAML 구성 파일은 Objects365.yaml에서 확인할 수 있습니다. 이 파일에는 학습 환경을 설정하는 데 필수적인 데이터셋 경로 및 클래스 라벨과 같은 중요한 정보가 포함되어 있습니다.
Link to this sectionObjects365의 데이터셋 구조는 객체 탐지 모델링을 어떻게 향상시킵니까?#
Objects365 데이터셋은 2백만 장의 고해상도 이미지와 3천만 개 이상의 BBox에 대한 포괄적인 주석으로 구성되어 있습니다. 이러한 구조는 다양한 객체와 시나리오를 제공하여 객체 탐지 deep learning 모델을 학습하기 위한 강력한 데이터셋을 보장합니다. 이러한 다양성과 데이터 규모는 더 정확하고 실제 애플리케이션에서 잘 일반화될 수 있는 모델을 개발하는 데 도움이 됩니다. 데이터셋 구조에 대한 자세한 내용은 Dataset YAML 섹션을 참조하십시오.