Conjunto de dados Objects365#
O conjunto de dados Objects365 é uma referência de deteção de objetos em grande escala, com 1,742,289 imagens de treino e 80,000 imagens de validação distribuídas por 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 diversos 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) | mAPval 50-95 | mAPval 50 | 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 usam máscaras geradas para Objects365v1 e apresentam a precisão das caixas e das máscaras:
| Modelo | tamanho (pixels) | mAPcaixa 50-95 | mAPmáscara 50-95 | 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-treino com Objects365 supera o pré-treino com ImageNet em 5.6 pontos (42.0 contra 36.4 mAP) na referência 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-treino de redes de base para deteção: Com 365 classes e anotações densas de caixas, o pré-treino com Objects365 melhora o ajuste fino subsequente em conjuntos de dados mais pequenos, 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 com o conjunto de dados Objects365 durante 100 épocas, com um tamanho de imagem de 640, podes usar os seguintes excertos de código. Para consultar a lista completa de argumentos disponíveis, visita a página de treino do modelo.
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 informações essenciais, como os caminhos do conjunto de dados e os rótulos das classes, fundamentais para configurar o teu ambiente de treino.