Open Images V7 데이터 세트
Open Images V7은 Google에서 옹호하는 다재다능하고 광범위한 데이터 세트입니다. 컴퓨터 비전 영역의 연구를 추진하는 것을 목표로 하며, 이미지 수준 레이블, 객체 경계 상자, 객체 분할 마스크, 시각적 관계 및 지역화된 설명과 같은 다양한 데이터로 주석이 달린 방대한 이미지 컬렉션을 자랑합니다.
참고: 객체 감지 OpenImagesV7 사전 훈련된 모델 사용
Open Images V7 사전 훈련된 모델
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 A100 TensorRT (ms) |
파라미터 (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 18.4 | 142.4 | 1.21 | 3.5 | 10.5 |
| YOLOv8s | 640 | 27.7 | 183.1 | 1.40 | 11.4 | 29.7 |
| YOLOv8m | 640 | 33.6 | 408.5 | 2.26 | 26.2 | 80.6 |
| YOLOv8l | 640 | 34.9 | 596.9 | 2.43 | 44.1 | 167.4 |
| YOLOv8x | 640 | 36.3 | 860.6 | 3.56 | 68.7 | 260.6 |
다음과 같이 이러한 사전 훈련된 모델을 추론 또는 미세 조정을 위해 사용할 수 있습니다.
사전 훈련된 모델 사용 예
from ultralytics import YOLO
# Load an Open Images Dataset V7 pretrained YOLOv8n model
model = YOLO("yolov8n-oiv7.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)
# Predict using an Open Images Dataset V7 pretrained model
yolo detect predict source=image.jpg model=yolov8n-oiv7.pt
# Start training from an Open Images Dataset V7 pretrained checkpoint
yolo detect train data=coco8.yaml model=yolov8n-oiv7.pt epochs=100 imgsz=640
주요 기능
- 다양한 컴퓨터 비전 작업에 적합하도록 다양한 방식으로 주석이 추가된 ~9백만 개의 이미지를 포함합니다.
- 190만 개의 이미지에서 600개의 객체 클래스에 걸쳐 무려 1,600만 개의 바운딩 박스를 포함합니다. 이 박스들은 주로 전문가가 직접 그린 것으로 높은 정밀도를 보장합니다.
- 총 330만 개의 시각적 관계 어노테이션을 사용할 수 있으며, 1,466개의 고유한 관계 트리플, 객체 속성 및 인간 활동에 대한 세부 정보를 제공합니다.
- V5에서는 350개 클래스에 걸쳐 280만 개 객체에 대한 분할 마스크가 도입되었습니다.
- V6에서는 설명된 객체를 강조 표시하는 음성, 텍스트 및 마우스 추적을 통합한 675,000개의 로컬 내러티브가 도입되었습니다.
- V7에서는 140만 개의 이미지에서 5,827개의 클래스에 걸쳐 6,640만 개의 포인트 수준 레이블이 도입되었습니다.
- 20,638개의 다양한 클래스에 걸쳐 6,140만 개의 이미지 수준 레이블을 포함합니다.
- 이미지 분류, 객체 탐지, 관계 탐지, 인스턴스 분할 및 멀티모달 이미지 설명을 위한 통합 플랫폼을 제공합니다.
데이터 세트 구조
Open Images V7은 다양한 컴퓨터 비전 문제를 해결하기 위해 여러 구성 요소로 구성됩니다.
- 이미지: 약 9백만 개의 이미지로, 이미지당 평균 8.3개의 객체가 있는 복잡한 장면을 보여주는 경우가 많습니다.
- 바운딩 박스: 600개 카테고리의 객체를 구분하는 1,600만 개 이상의 박스입니다.
- 분할 마스크: 350개 클래스에서 280만 개 객체의 정확한 경계를 자세히 설명합니다.
- 시각적 관계: 객체 관계, 속성 및 동작을 나타내는 330만 개의 주석입니다.
- 지역화된 설명: 음성, 텍스트 및 마우스 추적을 결합한 675,000개의 설명입니다.
- 포인트 수준 레이블: 140만 개의 이미지에 걸쳐 6,640만 개의 레이블로, zero/few-shot 시맨틱 분할에 적합합니다.
응용 분야
Open Images V7은 다양한 컴퓨터 비전 작업에서 최첨단 모델을 훈련하고 평가하는 데 중요한 토대입니다. 이 데이터 세트는 광범위한 범위와 고품질 주석을 제공하므로 컴퓨터 비전을 전문으로 하는 연구원과 개발자에게 필수적입니다.
몇 가지 주요 응용 분야는 다음과 같습니다:
- 고급 객체 감지: 복잡한 장면에서 여러 객체를 높은 정확도로 식별하고 찾도록 모델을 학습합니다.
- 시맨틱 이해: 객체 간의 시각적 관계를 이해하는 시스템을 개발합니다.
- 이미지 분할: 객체에 대한 정확한 픽셀 수준 마스크를 생성하여 상세한 장면 분석을 가능하게 합니다.
- 다중 모드 학습: 시각적 데이터를 텍스트 설명과 결합하여 AI 이해도를 높입니다.
- Zero-shot Learning: 광범위한 클래스 커버리지를 활용하여 훈련 중에 보지 못한 객체를 식별합니다.
데이터세트 YAML
일반적으로 데이터 세트에는 데이터 세트의 구성을 설명하는 YAML(Yet Another Markup Language) 파일이 함께 제공됩니다. Open Images V7의 경우 가상 OpenImagesV7.yaml 가 존재할 수 있습니다. 정확한 경로 및 구성은 데이터 세트의 공식 리포지토리 또는 설명서를 참조해야 합니다.
OpenImagesV7.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Open Images v7 dataset https://storage.googleapis.com/openimages/web/index.html by Google
# Documentation: https://docs.ultralytics.com/datasets/detect/open-images-v7/
# Example usage: yolo train data=open-images-v7.yaml
# parent
# ├── ultralytics
# └── datasets
# └── open-images-v7 ← downloads here (561 GB)
# 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: open-images-v7 # dataset root dir
train: images/train # train images (relative to 'path') 1743042 images
val: images/val # val images (relative to 'path') 41620 images
test: # test images (optional)
# Classes
names:
0: Accordion
1: Adhesive tape
2: Aircraft
3: Airplane
4: Alarm clock
5: Alpaca
6: Ambulance
7: Animal
8: Ant
9: Antelope
10: Apple
11: Armadillo
12: Artichoke
13: Auto part
14: Axe
15: Backpack
16: Bagel
17: Baked goods
18: Balance beam
19: Ball
20: Balloon
21: Banana
22: Band-aid
23: Banjo
24: Barge
25: Barrel
26: Baseball bat
27: Baseball glove
28: Bat (Animal)
29: Bathroom accessory
30: Bathroom cabinet
31: Bathtub
32: Beaker
33: Bear
34: Bed
35: Bee
36: Beehive
37: Beer
38: Beetle
39: Bell pepper
40: Belt
41: Bench
42: Bicycle
43: Bicycle helmet
44: Bicycle wheel
45: Bidet
46: Billboard
47: Billiard table
48: Binoculars
49: Bird
50: Blender
51: Blue jay
52: Boat
53: Bomb
54: Book
55: Bookcase
56: Boot
57: Bottle
58: Bottle opener
59: Bow and arrow
60: Bowl
61: Bowling equipment
62: Box
63: Boy
64: Brassiere
65: Bread
66: Briefcase
67: Broccoli
68: Bronze sculpture
69: Brown bear
70: Building
71: Bull
72: Burrito
73: Bus
74: Bust
75: Butterfly
76: Cabbage
77: Cabinetry
78: Cake
79: Cake stand
80: Calculator
81: Camel
82: Camera
83: Can opener
84: Canary
85: Candle
86: Candy
87: Cannon
88: Canoe
89: Cantaloupe
90: Car
91: Carnivore
92: Carrot
93: Cart
94: Cassette deck
95: Castle
96: Cat
97: Cat furniture
98: Caterpillar
99: Cattle
100: Ceiling fan
101: Cello
102: Centipede
103: Chainsaw
104: Chair
105: Cheese
106: Cheetah
107: Chest of drawers
108: Chicken
109: Chime
110: Chisel
111: Chopsticks
112: Christmas tree
113: Clock
114: Closet
115: Clothing
116: Coat
117: Cocktail
118: Cocktail shaker
119: Coconut
120: Coffee
121: Coffee cup
122: Coffee table
123: Coffeemaker
124: Coin
125: Common fig
126: Common sunflower
127: Computer keyboard
128: Computer monitor
129: Computer mouse
130: Container
131: Convenience store
132: Cookie
133: Cooking spray
134: Corded phone
135: Cosmetics
136: Couch
137: Countertop
138: Cowboy hat
139: Crab
140: Cream
141: Cricket ball
142: Crocodile
143: Croissant
144: Crown
145: Crutch
146: Cucumber
147: Cupboard
148: Curtain
149: Cutting board
150: Dagger
151: Dairy Product
152: Deer
153: Desk
154: Dessert
155: Diaper
156: Dice
157: Digital clock
158: Dinosaur
159: Dishwasher
160: Dog
161: Dog bed
162: Doll
163: Dolphin
164: Door
165: Door handle
166: Doughnut
167: Dragonfly
168: Drawer
169: Dress
170: Drill (Tool)
171: Drink
172: Drinking straw
173: Drum
174: Duck
175: Dumbbell
176: Eagle
177: Earrings
178: Egg (Food)
179: Elephant
180: Envelope
181: Eraser
182: Face powder
183: Facial tissue holder
184: Falcon
185: Fashion accessory
186: Fast food
187: Fax
188: Fedora
189: Filing cabinet
190: Fire hydrant
191: Fireplace
192: Fish
193: Flag
194: Flashlight
195: Flower
196: Flowerpot
197: Flute
198: Flying disc
199: Food
200: Food processor
201: Football
202: Football helmet
203: Footwear
204: Fork
205: Fountain
206: Fox
207: French fries
208: French horn
209: Frog
210: Fruit
211: Frying pan
212: Furniture
213: Garden Asparagus
214: Gas stove
215: Giraffe
216: Girl
217: Glasses
218: Glove
219: Goat
220: Goggles
221: Goldfish
222: Golf ball
223: Golf cart
224: Gondola
225: Goose
226: Grape
227: Grapefruit
228: Grinder
229: Guacamole
230: Guitar
231: Hair dryer
232: Hair spray
233: Hamburger
234: Hammer
235: Hamster
236: Hand dryer
237: Handbag
238: Handgun
239: Harbor seal
240: Harmonica
241: Harp
242: Harpsichord
243: Hat
244: Headphones
245: Heater
246: Hedgehog
247: Helicopter
248: Helmet
249: High heels
250: Hiking equipment
251: Hippopotamus
252: Home appliance
253: Honeycomb
254: Horizontal bar
255: Horse
256: Hot dog
257: House
258: Houseplant
259: Human arm
260: Human beard
261: Human body
262: Human ear
263: Human eye
264: Human face
265: Human foot
266: Human hair
267: Human hand
268: Human head
269: Human leg
270: Human mouth
271: Human nose
272: Humidifier
273: Ice cream
274: Indoor rower
275: Infant bed
276: Insect
277: Invertebrate
278: Ipod
279: Isopod
280: Jacket
281: Jacuzzi
282: Jaguar (Animal)
283: Jeans
284: Jellyfish
285: Jet ski
286: Jug
287: Juice
288: Kangaroo
289: Kettle
290: Kitchen & dining room table
291: Kitchen appliance
292: Kitchen knife
293: Kitchen utensil
294: Kitchenware
295: Kite
296: Knife
297: Koala
298: Ladder
299: Ladle
300: Ladybug
301: Lamp
302: Land vehicle
303: Lantern
304: Laptop
305: Lavender (Plant)
306: Lemon
307: Leopard
308: Light bulb
309: Light switch
310: Lighthouse
311: Lily
312: Limousine
313: Lion
314: Lipstick
315: Lizard
316: Lobster
317: Loveseat
318: Luggage and bags
319: Lynx
320: Magpie
321: Mammal
322: Man
323: Mango
324: Maple
325: Maracas
326: Marine invertebrates
327: Marine mammal
328: Measuring cup
329: Mechanical fan
330: Medical equipment
331: Microphone
332: Microwave oven
333: Milk
334: Miniskirt
335: Mirror
336: Missile
337: Mixer
338: Mixing bowl
339: Mobile phone
340: Monkey
341: Moths and butterflies
342: Motorcycle
343: Mouse
344: Muffin
345: Mug
346: Mule
347: Mushroom
348: Musical instrument
349: Musical keyboard
350: Nail (Construction)
351: Necklace
352: Nightstand
353: Oboe
354: Office building
355: Office supplies
356: Orange
357: Organ (Musical Instrument)
358: Ostrich
359: Otter
360: Oven
361: Owl
362: Oyster
363: Paddle
364: Palm tree
365: Pancake
366: Panda
367: Paper cutter
368: Paper towel
369: Parachute
370: Parking meter
371: Parrot
372: Pasta
373: Pastry
374: Peach
375: Pear
376: Pen
377: Pencil case
378: Pencil sharpener
379: Penguin
380: Perfume
381: Person
382: Personal care
383: Personal flotation device
384: Piano
385: Picnic basket
386: Picture frame
387: Pig
388: Pillow
389: Pineapple
390: Pitcher (Container)
391: Pizza
392: Pizza cutter
393: Plant
394: Plastic bag
395: Plate
396: Platter
397: Plumbing fixture
398: Polar bear
399: Pomegranate
400: Popcorn
401: Porch
402: Porcupine
403: Poster
404: Potato
405: Power plugs and sockets
406: Pressure cooker
407: Pretzel
408: Printer
409: Pumpkin
410: Punching bag
411: Rabbit
412: Raccoon
413: Racket
414: Radish
415: Ratchet (Device)
416: Raven
417: Rays and skates
418: Red panda
419: Refrigerator
420: Remote control
421: Reptile
422: Rhinoceros
423: Rifle
424: Ring binder
425: Rocket
426: Roller skates
427: Rose
428: Rugby ball
429: Ruler
430: Salad
431: Salt and pepper shakers
432: Sandal
433: Sandwich
434: Saucer
435: Saxophone
436: Scale
437: Scarf
438: Scissors
439: Scoreboard
440: Scorpion
441: Screwdriver
442: Sculpture
443: Sea lion
444: Sea turtle
445: Seafood
446: Seahorse
447: Seat belt
448: Segway
449: Serving tray
450: Sewing machine
451: Shark
452: Sheep
453: Shelf
454: Shellfish
455: Shirt
456: Shorts
457: Shotgun
458: Shower
459: Shrimp
460: Sink
461: Skateboard
462: Ski
463: Skirt
464: Skull
465: Skunk
466: Skyscraper
467: Slow cooker
468: Snack
469: Snail
470: Snake
471: Snowboard
472: Snowman
473: Snowmobile
474: Snowplow
475: Soap dispenser
476: Sock
477: Sofa bed
478: Sombrero
479: Sparrow
480: Spatula
481: Spice rack
482: Spider
483: Spoon
484: Sports equipment
485: Sports uniform
486: Squash (Plant)
487: Squid
488: Squirrel
489: Stairs
490: Stapler
491: Starfish
492: Stationary bicycle
493: Stethoscope
494: Stool
495: Stop sign
496: Strawberry
497: Street light
498: Stretcher
499: Studio couch
500: Submarine
501: Submarine sandwich
502: Suit
503: Suitcase
504: Sun hat
505: Sunglasses
506: Surfboard
507: Sushi
508: Swan
509: Swim cap
510: Swimming pool
511: Swimwear
512: Sword
513: Syringe
514: Table
515: Table tennis racket
516: Tablet computer
517: Tableware
518: Taco
519: Tank
520: Tap
521: Tart
522: Taxi
523: Tea
524: Teapot
525: Teddy bear
526: Telephone
527: Television
528: Tennis ball
529: Tennis racket
530: Tent
531: Tiara
532: Tick
533: Tie
534: Tiger
535: Tin can
536: Tire
537: Toaster
538: Toilet
539: Toilet paper
540: Tomato
541: Tool
542: Toothbrush
543: Torch
544: Tortoise
545: Towel
546: Tower
547: Toy
548: Traffic light
549: Traffic sign
550: Train
551: Training bench
552: Treadmill
553: Tree
554: Tree house
555: Tripod
556: Trombone
557: Trousers
558: Truck
559: Trumpet
560: Turkey
561: Turtle
562: Umbrella
563: Unicycle
564: Van
565: Vase
566: Vegetable
567: Vehicle
568: Vehicle registration plate
569: Violin
570: Volleyball (Ball)
571: Waffle
572: Waffle iron
573: Wall clock
574: Wardrobe
575: Washing machine
576: Waste container
577: Watch
578: Watercraft
579: Watermelon
580: Weapon
581: Whale
582: Wheel
583: Wheelchair
584: Whisk
585: Whiteboard
586: Willow
587: Window
588: Window blind
589: Wine
590: Wine glass
591: Wine rack
592: Winter melon
593: Wok
594: Woman
595: Wood-burning stove
596: Woodpecker
597: Worm
598: Wrench
599: Zebra
600: Zucchini
# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
import warnings
from ultralytics.utils import LOGGER, SETTINGS, Path
from ultralytics.utils.checks import check_requirements
check_requirements("fiftyone")
import fiftyone as fo
import fiftyone.zoo as foz
name = "open-images-v7"
fo.config.dataset_zoo_dir = Path(SETTINGS["datasets_dir"]) / "fiftyone" / name
fraction = 1.0 # fraction of full dataset to use
LOGGER.warning("Open Images V7 dataset requires at least **561 GB of free space. Starting download...")
for split in "train", "validation": # 1743042 train, 41620 val images
train = split == "train"
# Load Open Images dataset
dataset = foz.load_zoo_dataset(
name,
split=split,
label_types=["detections"],
max_samples=round((1743042 if train else 41620) * fraction),
)
# Define classes
if train:
classes = dataset.default_classes # all classes
# classes = dataset.distinct('ground_truth.detections.label') # only observed classes
# Export to YOLO format
with warnings.catch_warnings():
warnings.filterwarnings("ignore", category=UserWarning, module="fiftyone.utils.yolo")
dataset.export(
export_dir=str(Path(SETTINGS["datasets_dir"]) / name),
dataset_type=fo.types.YOLOv5Dataset,
label_field="ground_truth",
split="val" if split == "validation" else split,
classes=classes,
overwrite=train,
)
사용법
이미지 크기가 640인 Open Images V7 데이터 세트에서 YOLO11n 모델을 100 epochs 동안 훈련하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 Training 페이지를 참조하세요.
경고
전체 Open Images V7 데이터 세트는 1,743,042개의 훈련 이미지와 41,620개의 유효성 검사 이미지로 구성되어 있으며 다운로드 시 약 561GB의 저장 공간이 필요합니다.
아래 제공된 명령을 실행하면 전체 데이터 세트가 로컬에 아직 없는 경우 자동으로 다운로드가 시작됩니다. 아래 예제를 실행하기 전에 다음 사항이 중요합니다.
- 장치에 충분한 저장 용량이 있는지 확인하십시오.
- 안정적이고 빠른 인터넷 연결을 확인하십시오.
훈련 예제
from ultralytics import YOLO
# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on the Open Images V7 dataset
results = model.train(data="open-images-v7.yaml", epochs=100, imgsz=640)
# Train a COCO-pretrained YOLO11n model on the Open Images V7 dataset
yolo detect train data=open-images-v7.yaml model=yolo11n.pt epochs=100 imgsz=640
샘플 데이터 및 주석
데이터 세트의 그림은 풍부함에 대한 통찰력을 제공하는 데 도움이 됩니다.
- Open Images V7: 이 이미지는 경계 상자, 관계 및 분할 마스크를 포함하여 사용 가능한 어노테이션의 깊이와 세부 정보를 보여줍니다.
연구자들은 기본적인 객체 감지부터 복잡한 관계 식별에 이르기까지 데이터 세트가 다루는 다양한 컴퓨터 비전 문제에 대한 귀중한 통찰력을 얻을 수 있습니다. 다양한 어노테이션 덕분에 Open Images V7은 복잡한 시각적 장면을 이해할 수 있는 모델을 개발하는 데 특히 유용합니다.
인용 및 감사의 말씀
Open Images V7을 사용하는 경우 관련 논문을 인용하고 제작자를 인정하는 것이 좋습니다.
@article{OpenImages,
author = {Alina Kuznetsova and Hassan Rom and Neil Alldrin and Jasper Uijlings and Ivan Krasin and Jordi Pont-Tuset and Shahab Kamali and Stefan Popov and Matteo Malloci and Alexander Kolesnikov and Tom Duerig and Vittorio Ferrari},
title = {The Open Images Dataset V4: Unified image classification, object detection, and visual relationship detection at scale},
year = {2020},
journal = {IJCV}
}
Open Images V7 데이터 세트를 만들고 유지 관리해 주신 Google AI 팀에 진심으로 감사드립니다. 데이터 세트 및 제공 사항에 대한 자세한 내용은 공식 Open Images V7 웹사이트로 이동하십시오.
FAQ
Open Images V7 데이터 세트란 무엇입니까?
Open Images V7은 Google에서 만든 광범위하고 다재다능한 데이터 세트로, 컴퓨터 비전 연구 발전을 위해 설계되었습니다. 여기에는 이미지 수준 레이블, 객체 경계 상자, 객체 분할 마스크, 시각적 관계 및 지역화된 설명이 포함되어 있어 객체 감지, 분할 및 관계 감지와 같은 다양한 컴퓨터 비전 작업에 이상적입니다.
Open Images V7 데이터 세트에서 YOLO11 모델을 훈련하려면 어떻게 해야 합니까?
Open Images V7 데이터 세트에서 YOLO11 모델을 학습시키려면 python 및 CLI 명령을 모두 사용할 수 있습니다. 다음은 이미지 크기가 640인 YOLO11n 모델을 100 epoch 동안 학습시키는 예입니다.
훈련 예제
from ultralytics import YOLO
# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on the Open Images V7 dataset
results = model.train(data="open-images-v7.yaml", epochs=100, imgsz=640)
# Train a COCO-pretrained YOLO11n model on the Open Images V7 dataset
yolo detect train data=open-images-v7.yaml model=yolo11n.pt epochs=100 imgsz=640
인수 및 설정에 대한 자세한 내용은 학습 페이지를 참조하십시오.
Open Images V7 데이터 세트의 주요 기능은 무엇입니까?
Open Images V7 데이터 세트에는 다양한 어노테이션이 포함된 약 9백만 개의 이미지가 포함되어 있습니다.
- 경계 상자: 600개의 객체 클래스에 걸쳐 1,600만 개의 경계 상자.
- 분할 마스크: 350개 클래스에 걸쳐 280만 개의 객체에 대한 마스크.
- 시각적 관계: 관계, 속성 및 작업을 나타내는 330만 개의 어노테이션.
- 지역화된 설명: 음성, 텍스트 및 마우스 추적을 결합한 675,000개의 설명.
- 포인트 수준 레이블: 140만 개의 이미지에 걸쳐 6,640만 개의 레이블.
- 이미지 수준 레이블: 20,638개 클래스에 걸쳐 6,140만 개의 레이블.
Open Images V7 데이터 세트에 사용할 수 있는 사전 훈련된 모델은 무엇입니까?
Ultralytics는 Open Images V7 데이터 세트에 대해 다양한 크기와 성능 메트릭을 가진 여러 YOLOv8 사전 훈련된 모델을 제공합니다.
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 A100 TensorRT (ms) |
파라미터 (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 18.4 | 142.4 | 1.21 | 3.5 | 10.5 |
| YOLOv8s | 640 | 27.7 | 183.1 | 1.40 | 11.4 | 29.7 |
| YOLOv8m | 640 | 33.6 | 408.5 | 2.26 | 26.2 | 80.6 |
| YOLOv8l | 640 | 34.9 | 596.9 | 2.43 | 44.1 | 167.4 |
| YOLOv8x | 640 | 36.3 | 860.6 | 3.56 | 68.7 | 260.6 |
Open Images V7 데이터 세트는 어떤 응용 프로그램에 사용할 수 있습니까?
Open Images V7 데이터 세트는 다음을 포함한 다양한 컴퓨터 비전 작업을 지원합니다.
- 이미지 분류
- 객체 감지
- 인스턴스 분할
- 시각적 관계 감지
- 다중 모드 이미지 설명
종합적인 주석과 광범위한 범위를 통해 고급 머신러닝 모델을 훈련하고 평가하는 데 적합하며, 이는 응용 분야 섹션에 자세히 설명된 실제 사용 사례에서 강조됩니다.
📅 1년 전에 생성됨
✏️ 5개월 전에 업데이트됨
