Conjunto de dados Objects365#
O conjunto de dados Objects365 é uma referência de object detection em larga escala com 1.742.289 imagens de treino e 80.000 imagens de validação abrangendo 365 classes de objetos — desde pessoas, carros e cadeiras até garrafas, cães e postes de luz. Criado por pesquisadores da Megvii e apresentado no ICCV 2019, ele foca em objetos diversos no mundo real e é amplamente utilizado para pré-treinar models de computer vision que generalizam melhor do que aqueles pré-treinados no ImageNet.
Watch: How to Train Ultralytics YOLO on the Objects365 Dataset
Modelos Pré-treinados Objects365#
A Ultralytics publica modelos de deteção e segmentation do YOLO26 pré-treinados no Objects365v1, para que possas detetar as suas 365 classes sem descarregar o conjunto de dados. Todos os modelos foram treinados durante 150 epochs com um tamanho de imagem de 640.
| Modelo | tamanho (pixels) | mAPval 50-95 | mAPval 50 | params (M) | FLOPs (B) |
|---|---|---|---|---|---|
| YOLO26n | 640 | 16.3 | 22.3 | 2.5 | 6.0 |
| YOLO26s | 640 | 24.3 | 31.7 | 9.6 | 21.3 |
| YOLO26m | 640 | 30.3 | 38.2 | 20.6 | 69.4 |
| YOLO26l | 640 | 32.2 | 40,1 | 25.0 | 87.7 |
| YOLO26x | 640 | 35.8 | 44.1 | 56.1 | 195.7 |
Modelos de segmentação usam máscaras geradas para o Objects365v1 e relatam a precisão tanto de caixa quanto de máscara:
| Modelo | tamanho (pixels) | mAPbox 50-95 | mAPmask 50-95 | params (M) | FLOPs (B) |
|---|---|---|---|---|---|
| YOLO26n-seg | 640 | 15.7 | 13.2 | 2.8 | 9.7 |
| YOLO26s-seg | 640 | 23.8 | 19.5 | 10.5 | 34.8 |
| YOLO26m-seg | 640 | 29.5 | 23.8 | 23.8 | 122.7 |
| YOLO26l-seg | 640 | 31.7 | 25.3 | 28.2 | 141.0 |
| YOLO26x-seg | 640 | 35.4 | 27.9 | 63.1 | 315.3 |
- Os valores de mAPval são para modelo único e escala única no conjunto de validação Objects365v1.
- Os valores de Params e FLOPs são para o modelo fundido após
model.fuse().
Podes executar a predição ou começar o ajuste fino a partir destes checkpoints da seguinte forma.
from ultralytics import YOLO
# Load an Objects365 pretrained YOLO26n model
model = YOLO("yolo26n-objv1-150.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)Principais recursos#
- O Objects365 define 365 classes de objetos, e o lançamento original relata cerca de 2 milhões de imagens com 30 milhões de bounding boxes no total.
- O dataset inclui diversos objetos em vários cenários do mundo real, fornecendo um benchmark rico e desafiador para tarefas de detecção de objetos.
- As anotações incluem caixas delimitadoras para objetos, tornando-o adequado para treinar e avaliar modelos de detecção de objetos.
- De acordo com o artigo do ICCV 2019, o pré-treinamento no Objects365 supera o pré-treinamento no ImageNet em 5,6 pontos (42,0 vs 36,4 mAP) no benchmark COCO.
Estrutura do Dataset#
A configuração Objects365.yaml da Ultralytics define duas divisões:
| Divisão | Imagens | Descrição |
|---|---|---|
| Treinar | 1.742.289 | Imagens rotuladas para treinamento de modelos |
| Validação | 80.000 | Imagens reservadas para avaliação e benchmarking |
O download recupera as divisões de treino e validação — 1.822.289 imagens no total — e a chave test: na configuração é deixada vazia.
Aplicações#
O conjunto de dados Objects365 suporta uma ampla gama de aplicações de aprendizagem profunda em detecção de objetos:
- Pré-treinamento de backbones de detecção: Com 365 classes e anotações densas de caixas delimitadoras, o pré-treinamento no Objects365 melhora o ajuste fino subsequente em conjuntos de dados menores, como COCO e VOC.
- Reconhecimento de varejo e estoque: Centenas de categorias cotidianas — garrafas, copos, tênis, bolsas — apoiam sistemas de monitoramento de prateleiras e checkout automatizado.
- Robótica e ambientes inteligentes: A ampla cobertura de objetos domésticos e urbanos ajuda robôs e câmeras inteligentes a reconhecer objetos em cenas não estruturadas.
- Benchmarking de detectores: A longa lista de classes e as imagens de cenários reais tornam este um benchmark exigente para avaliar o quão bem os modelos de detecção generalizam.
Para rotular tuas próprias imagens, treinar e gerenciar conjuntos de dados em larga escala no teu navegador, executa o fluxo de trabalho completo com a Ultralytics Platform.
YAML do Dataset#
O arquivo Objects365.yaml define a configuração do conjunto de dados — os caminhos do conjunto de dados, nomes de classes e outros metadados. Ele é mantido no repositório da Ultralytics em https://github.com/ultralytics/ultralytics/blob/main/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}"))Uso#
O Objects365 é baixado automaticamente no primeiro uso e requer cerca de 712 GB de espaço livre em disco — 345 GB de arquivos zip baixados mais 367 GB para o conjunto de dados extraído. O script de download instala o pacote faster-coco-eval e converte as anotações para o formato YOLO, o que pode demorar muito tempo dependendo da tua conexão e hardware.
Para treinar um modelo YOLO26n no conjunto de dados Objects365 por 100 épocas com um tamanho de imagem de 640, podes usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulta a página de Treinamento do modelo.
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)Exemplos de Imagens e Anotações#
O dataset Objects365 contém imagens diversas de alta resolução com anotações densas de bounding-box em suas 365 classes. A amostra abaixo mostra as cenas reais e as anotações de múltiplos objetos típicas do dataset:
Citações e Agradecimentos#
Se você usar o conjunto de dados Objects365 em seu trabalho de pesquisa ou desenvolvimento, cite o seguinte artigo:
@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}
}Gostaríamos de agradecer à equipe de pesquisadores que criou e mantém o conjunto de dados Objects365 como um recurso valioso para a comunidade de pesquisa em visão computacional. Para mais informações sobre o conjunto de dados Objects365 e seus criadores, visita o site do conjunto de dados Objects365.
FAQ#
Para que o conjunto de dados Objects365 é usado?#
O conjunto de dados Objects365 é usado para treinar e avaliar modelos de detecção de objetos em aprendizagem de máquina e visão computacional. Ele fornece 1.742.289 imagens de treinamento e 80.000 imagens de validação em 365 classes de objetos, sendo especialmente popular para pré-treinar detectores que são posteriormente ajustados em conjuntos de dados menores e específicos de tarefas.
Quantas imagens e classes existem no dataset Objects365?#
A configuração Objects365.yaml da Ultralytics cobre 365 classes de objetos divididas em 1.742.289 imagens de treinamento e 80.000 imagens de validação — 1.822.289 no total, sem divisão de teste. O lançamento oficial relata cerca de 2 milhões de imagens com 30 milhões de caixas delimitadoras no total.
Qual o tamanho do download do dataset Objects365?#
O Objects365 requer aproximadamente 712 GB de espaço em disco — cerca de 345 GB de arquivos zip que são baixados automaticamente na primeira vez que treinas com data="Objects365.yaml", mais 367 GB para o conjunto de dados extraído. O script de download instala o pacote faster-coco-eval e converte as anotações para o formato YOLO. Podes navegar por alternativas menores na visão geral de conjuntos de dados de detecção.
Como posso treinar um modelo YOLO26 no conjunto de dados Objects365?#
Para treinar um modelo YOLO26n usando o conjunto de dados Objects365 por 100 épocas com um tamanho de imagem de 640, siga estas instruções:
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)Consulta a página de Treinamento para obter uma lista abrangente de argumentos disponíveis.
Por que devo usar o conjunto de dados Objects365 para meus projetos de detecção de objetos?#
O vocabulário de 365 classes e as anotações densas do Objects365 fazem dele um dos conjuntos de dados de pré-treinamento mais fortes para detecção de objetos — o artigo do ICCV 2019 relata um ganho de 5,6 pontos (42,0 vs 36,4 mAP) sobre o pré-treinamento no ImageNet no COCO. Suas imagens cobrem diversos cenários do mundo real, o que ajuda os modelos a generalizarem bem para tarefas de detecção a jusante.
Onde posso encontrar o arquivo de configuração YAML para o conjunto de dados Objects365?#
O arquivo de configuração YAML para o conjunto de dados Objects365 está disponível em Objects365.yaml. Este arquivo contém informações essenciais, como caminhos do conjunto de dados e rótulos de classes, que são cruciais para configurar o teu ambiente de treinamento.