Conjunto de dados do Objects365
O conjunto de dados Objects365 é um conjunto de dados em grande escala e de alta qualidade, concebido para promover a investigação sobre a deteção de objectos, com enfoque em diversos objectos em estado selvagem. Criado por uma equipa de investigadores da Megvii, o conjunto de dados oferece uma vasta gama de imagens de alta resolução com um conjunto abrangente de caixas delimitadoras anotadas que cobrem 365 categorias de objectos.
Caraterísticas principais
- O Objects365 contém 365 categorias de objectos, com 2 milhões de imagens e mais de 30 milhões de caixas delimitadoras.
- O conjunto de dados inclui diversos objectos em vários cenários, proporcionando uma referência rica e desafiante para tarefas de deteção de objectos.
- As anotações incluem caixas delimitadoras de objectos, o que as torna adequadas para treinar e avaliar modelos de deteção de objectos.
- Os modelos pré-treinados do Objects365 superam significativamente os modelos pré-treinados do ImageNet, levando a uma melhor generalização em várias tarefas.
Estrutura do conjunto de dados
O conjunto de dados Objects365 está organizado num único conjunto de imagens com anotações correspondentes:
- Imagens: O conjunto de dados inclui 2 milhões de imagens de alta resolução, cada uma contendo uma variedade de objectos em 365 categorias.
- Anotações: As imagens são anotadas com mais de 30 milhões de caixas delimitadoras, fornecendo informações completas para tarefas de deteção de objectos.
Aplicações
O conjunto de dados Objects365 é amplamente utilizado para treinar e avaliar modelos de aprendizagem profunda em tarefas de deteção de objectos. O conjunto diversificado de categorias de objectos e as anotações de alta qualidade do conjunto de dados fazem dele um recurso valioso para investigadores e profissionais no domínio da visão computacional.
Conjunto de dados YAML
Um ficheiro YAML (Yet Another Markup Language) é utilizado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos do conjunto de dados, classes e outras informações relevantes. No caso do conjunto de dados Objects365, o ficheiro Objects365.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yaml.
ultralytics/cfg/datasets/Objects365.yaml
# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 tqdm import tqdm
from ultralytics.utils.checks import check_requirements
from ultralytics.utils.downloads import download
from ultralytics.utils.ops import xyxy2xywhn
import numpy as np
from pathlib import Path
check_requirements(('pycocotools>=2.0',))
from pycocotools.coco import COCO
# Make Directories
dir = Path(yaml['path']) # dataset root dir
for p in 'images', 'labels':
(dir / p).mkdir(parents=True, exist_ok=True)
for q in 'train', 'val':
(dir / p / q).mkdir(parents=True, exist_ok=True)
# Train, Val Splits
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
# 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, curl=True, threads=8)
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, curl=True, threads=8)
download([f'{url}images/v2/patch{i}.tar.gz' for i in range(16, patches)], dir=images, curl=True, threads=8)
# Move
for f in tqdm(images.rglob('*.jpg'), desc=f'Moving {split} images'):
f.rename(images / f.name) # move to /images/{split}
# 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)
for im in tqdm(coco.loadImgs(imgIds), desc=f'Class {cid + 1}/{len(names)} {cat}'):
width, height = im["width"], im["height"]
path = Path(im["file_name"]) # image filename
try:
with open(labels / path.with_suffix('.txt').name, 'a') 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)
Utilização
Para treinar um modelo YOLO11n no conjunto de dados Objects365 para 100 épocas com um tamanho de imagem de 640, você pode usar os seguintes trechos de código. Para obter uma lista abrangente de argumentos disponíveis, consulte a página Treinamento do modelo.
Exemplo de comboio
Dados de amostra e anotações
O conjunto de dados Objects365 contém um conjunto diversificado de imagens de alta resolução com objectos de 365 categorias, fornecendo um contexto rico para tarefas de deteção de objectos. Aqui estão alguns exemplos das imagens do conjunto de dados:
- Objectos365: Esta imagem demonstra um exemplo de deteção de objectos, em que os objectos são anotados com caixas delimitadoras. O conjunto de dados fornece uma vasta gama de imagens para facilitar o desenvolvimento de modelos para esta tarefa.
O exemplo mostra a variedade e complexidade dos dados no conjunto de dados Objects365 e destaca a importância da deteção precisa de objectos para aplicações de visão computacional.
Citações e agradecimentos
Se utilizar o conjunto de dados Objects365 no seu trabalho de investigação ou desenvolvimento, cite o seguinte documento:
@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}
}
Gostaríamos de agradecer à equipa de investigadores que criou e mantém o conjunto de dados Objects365 como um recurso valioso para a comunidade de investigação em visão computacional. Para mais informações sobre o conjunto de dados Objects365 e os seus criadores, visite o sítio Web do conjunto de dados Objects365.
FAQ
Para que é utilizado o conjunto de dados Objects365?
O conjunto de dados Objects365 foi concebido para tarefas de deteção de objectos em aprendizagem automática e visão computacional. Fornece um conjunto de dados em grande escala e de alta qualidade com 2 milhões de imagens anotadas e 30 milhões de caixas delimitadoras em 365 categorias. A utilização de um conjunto de dados tão diversificado ajuda a melhorar o desempenho e a generalização dos modelos de deteção de objectos, tornando-o inestimável para a investigação e desenvolvimento neste domínio.
Como posso treinar um modelo YOLO11 no conjunto de dados Objects365?
Para treinar um modelo YOLO11n utilizando o conjunto de dados Objects365 para 100 épocas com um tamanho de imagem de 640, siga estas instruções:
Exemplo de comboio
Consulte a página Formação para obter uma lista completa dos argumentos disponíveis.
Por que razão devo utilizar o conjunto de dados Objects365 para os meus projectos de deteção de objectos?
O conjunto de dados Objects365 oferece várias vantagens para tarefas de deteção de objectos:
- Diversidade: Inclui 2 milhões de imagens com objectos em diversos cenários, abrangendo 365 categorias.
- Anotações de alta qualidade: Mais de 30 milhões de caixas delimitadoras fornecem dados abrangentes de verdade terrestre.
- Desempenho: Os modelos pré-treinados no Objects365 superam significativamente os modelos treinados em conjuntos de dados como o ImageNet, levando a uma melhor generalização.
Onde posso encontrar o ficheiro de configuração YAML para o conjunto de dados Objects365?
O ficheiro de configuração YAML para o conjunto de dados Objects365 está disponível em Objects365.yaml. Esse arquivo contém informações essenciais, como caminhos de conjunto de dados e rótulos de classe, cruciais para configurar seu ambiente de treinamento.
Como é que a estrutura do conjunto de dados do Objects365 melhora a modelação da deteção de objectos?
O conjunto de dados Objects365 está organizado com 2 milhões de imagens de alta resolução e anotações abrangentes de mais de 30 milhões de caixas delimitadoras. Esta estrutura garante um conjunto de dados robusto para treinar modelos de aprendizagem profunda na deteção de objectos, oferecendo uma grande variedade de objectos e cenários. Essa diversidade e volume ajudam a desenvolver modelos mais precisos e capazes de generalizar bem para aplicações do mundo real. Para obter mais detalhes sobre a estrutura do conjunto de dados, consulte a secção Dataset YAML.
