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.
| Modelo | tamanho (pixels) | mAPval50-95 | mAPval50 | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|
| YOLO26n | 640 | 16.3 | 22.3 | 2.5 | 6.1 |
| YOLO26s | 640 | 24.3 | 31.7 | 9.6 | 21.5 |
| YOLO26m | 640 | 30.3 | 38.2 | 20.6 | 69.7 |
| YOLO26l | 640 | 32.2 | 40.1 | 25.0 | 88.0 |
| YOLO26x | 640 | 35.8 | 44.1 | 56.1 | 196.3 |
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:
| Modelo | tamanho (pixels) | mAPcaixa50-95 | mAPmáscara50-95 | parâmetros (M) | FLOPs (B) |
|---|---|---|---|---|---|
| YOLO26n-seg | 640 | 15.7 | 13.2 | 2.8 | 9.8 |
| YOLO26s-seg | 640 | 23.8 | 19.5 | 10.5 | 35.1 |
| YOLO26m-seg | 640 | 29.5 | 23.8 | 23.8 | 123.0 |
| YOLO26l-seg | 640 | 31.7 | 25.3 | 28.2 | 141.3 |
| YOLO26x-seg | 640 | 35.4 | 27.9 | 63.1 | 315.9 |
- 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.
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:
| Divisão | Imagens | Descrição |
|---|---|---|
| Treinar | 1,742,289 | Imagens rotuladas para treinamento do modelo |
| Validação | 80,000 | Imagens 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 🚀 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#
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.
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:

Citações e agradecimentos#
Se utilizares o conjunto de dados Objects365 no teu trabalho de investigação ou desenvolvimento, cita 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 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.yamlda 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 pacotefaster-coco-evale 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 treinofrom 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.
Mohamed-ahmed-shokry
Is it possible to download only Cigar/Cigarettes class from the dataset without downloading it all?
adityashah1603
Hi did you find a way to do this?
Mohamed-ahmed-shokry
I found the data I needed in Roboflow after filtering it by class when I downloaded it.
https://universe.roboflow.com/objects-365-consortium/objects-365?utm_source=chatgpt.com