Começar

Conjunto de dados Objects365

O conjunto de dados Objects365 é um benchmark de detecção de objetos em grande escala, com 1.742.289 imagens de treinamento e 80.000 imagens de validação que abrangem 365 classes de objetos — desde pessoas, carros e cadeiras até garrafas, cães e candeeiros de rua. Criado por investigadores da Megvii e apresentado no ICCV 2019, centra-se em objetos variados em ambientes reais e é amplamente usado para pré-treinar modelos de visão computacional que generalizam melhor do que os pré-treinados com ImageNet.



Assista: Como treinar Ultralytics YOLO no conjunto de dados Objects365

Modelos pré-treinados com Objects365#

A Ultralytics publica modelos de deteção e segmentação YOLO26 pré-treinados com Objects365v1, para poderes detetar as 365 classes sem transferir o conjunto de dados. Todos os modelos foram treinados durante 150 épocas com um tamanho de imagem de 640.

Modelotamanho
(pixels)
mAPval50-95mAPval50parâmetros
(M)
FLOPs
(B)
YOLO26n64016.322.32.56.1
YOLO26s64024.331.79.621.5
YOLO26m64030.338.220.669.7
YOLO26l64032.240.125.088.0
YOLO26x64035.844.156.1196.3

Os modelos de segmentação (yolo26n-objv1-seg.pt até yolo26x-objv1-seg.pt) usam máscaras geradas para Objects365v1 e informam a precisão tanto das caixas quanto das máscaras:

Modelotamanho
(pixels)
mAPcaixa50-95mAPmáscara50-95parâmetros
(M)
FLOPs
(B)
YOLO26n-seg64015.713.22.89.8
YOLO26s-seg64023.819.510.535.1
YOLO26m-seg64029.523.823.8123.0
YOLO26l-seg64031.725.328.2141.3
YOLO26x-seg64035.427.963.1315.9
  • Os valores de mAPval correspondem a um único modelo e uma única escala na divisão de validação do Objects365v1.
  • Os valores de Params e FLOPs correspondem ao modelo fundido após model.fuse().

Podes executar a previsão ou começar o ajuste fino a partir destes pontos de controlo da seguinte forma.

Exemplo de utilização de um modelo pré-treinado
from ultralytics import YOLO

# Carrega um modelo YOLO26n pré-treinado com Objects365
model = YOLO("yolo26n-objv1-150.pt")

# Executa a previsão
results = model.predict(source="image.jpg")

# Começa o treino a partir do ponto de controlo pré-treinado
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Principais funcionalidades#

  • Objects365 define 365 classes de objetos, e a versão original indica cerca de 2 milhões de imagens com um total de 30 milhões de caixas delimitadoras.
  • O conjunto de dados inclui objetos diversos em vários cenários do mundo real, proporcionando uma referência rica e desafiante para tarefas de deteção de objetos.
  • As anotações incluem caixas delimitadoras para os objetos, o que o torna adequado para treinar e avaliar modelos de deteção de objetos.
  • De acordo com o artigo do ICCV 2019, o pré-treinamento com Objects365 supera o pré-treinamento com ImageNet em 5,6 pontos (42,0 contra 36,4 mAP) no benchmark COCO.

Estrutura do conjunto de dados#

A configuração Objects365.yaml da Ultralytics define duas divisões:

DivisãoImagensDescrição
Treinar1,742,289Imagens rotuladas para treinamento do modelo
Validação80,000Imagens reservadas para avaliação e benchmarking

O download obtém as divisões de treino e validação — 1,822,289 imagens no total — e deixa vazia a chave test: na configuração.

Aplicações#

O conjunto de dados Objects365 suporta uma vasta gama de aplicações de aprendizagem profunda na deteção de objetos:

  • Pré-treinamento de backbones de detecção: com 365 classes e anotações densas de caixas, o pré-treinamento com Objects365 melhora o ajuste fino posterior em conjuntos de dados menores, como COCO e VOC.
  • Reconhecimento de produtos e inventário: Centenas de categorias do quotidiano — garrafas, chávenas, sapatilhas, malas — permitem monitorizar prateleiras e usar sistemas automatizados de pagamento.
  • Robótica e ambientes inteligentes: A ampla cobertura de objetos domésticos e de rua ajuda os robôs e as câmaras inteligentes a reconhecer objetos em cenas não estruturadas.
  • Avaliação comparativa de detetores: A extensa lista de classes e as imagens de ambientes reais fazem deste conjunto de dados uma referência exigente para avaliar a capacidade de generalização dos modelos de deteção.

Para rotular as tuas próprias imagens, treinar e gerir conjuntos de dados em grande escala no navegador, executa todo o fluxo de trabalho com a Ultralytics Platform.

YAML do conjunto de dados#

O ficheiro Objects365.yaml define a configuração do conjunto de dados — os caminhos, os nomes das classes e outros metadados. É mantido no repositório da Ultralytics em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yaml.

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#

Download de 712 GB

Objects365 é transferido automaticamente na primeira utilização e requer cerca de 712 GB de espaço livre em disco — 345 GB para os arquivos ZIP transferidos e 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 bastante, consoante a tua ligação e o teu hardware.

Para treinar um modelo YOLO26n no conjunto de dados Objects365 durante 100 épocas, com tamanho de imagem 640, podes utilizar os seguintes exemplos de código.

Exemplo de treino
from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Treinar o modelo
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)

Imagens de exemplo e anotações#

O conjunto de dados Objects365 contém imagens diversas e de alta resolução, com anotações densas de caixas delimitadoras nas suas 365 classes. A amostra abaixo mostra as cenas em ambientes reais e as anotações de vários objetos típicas do conjunto de dados:

Amostra do conjunto de dados Objects365 com anotações de objetos diversos

Citações e agradecimentos#

Se utilizares o conjunto de dados Objects365 no teu trabalho de investigação ou desenvolvimento, cita o seguinte artigo:

Citação
@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 reconhecer a 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 obteres mais informações sobre o conjunto de dados Objects365 e os seus criadores, visita o site do conjunto de dados Objects365.

Perguntas frequentes#

  • O conjunto de dados Objects365 é usado para treinar e avaliar modelos de deteção de objetos em aprendizagem automática e visão computacional. Fornece 1,742,289 imagens de treino e 80,000 imagens de validação em 365 classes de objetos e é especialmente popular para pré-treinar detetores que, mais tarde, são ajustados com conjuntos de dados mais pequenos e específicos para cada tarefa.

  • A configuração Objects365.yaml da Ultralytics abrange 365 classes de objetos, divididas em 1,742,289 imagens de treino e 80,000 imagens de validação — 1,822,289 no total, sem divisão de teste. A versão original indica cerca de 2 milhões de imagens e 30 milhões de caixas delimitadoras no total.

  • Objects365 requer aproximadamente 712 GB de espaço em disco — cerca de 345 GB para os arquivos ZIP, transferidos 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 consultar alternativas mais pequenas na visão geral dos conjuntos de dados de deteção.

  • Para treinar um modelo YOLO26n com o conjunto de dados Objects365 durante 100 épocas e com um tamanho de imagem de 640, segue estas instruções:

    Exemplo de treino
    from ultralytics import YOLO
    
    # Carregar um modelo
    model = YOLO("yolo26n.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)
    
    # Treinar o modelo
    results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)

    Consulta a página de treino para ver a lista completa de argumentos disponíveis.

  • O vocabulário de 365 classes e as anotações densas de Objects365 fazem dele um dos conjuntos de dados mais fortes para o pré-treino de deteção de objetos — o artigo do ICCV 2019 indica um ganho de 5.6 pontos (42.0 contra 36.4 mAP) em relação ao pré-treino com ImageNet na COCO. As imagens abrangem diversos cenários do mundo real, o que ajuda os modelos a generalizar bem para tarefas de deteção subsequentes.

  • O ficheiro de configuração YAML do conjunto de dados Objects365 está disponível em Objects365.yaml. Este ficheiro contém os caminhos do conjunto de dados e os rótulos das classes necessários para configurar o treinamento.

Comentários3

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.