Ultralytics Benchmark

103

Airbus Oil Storage Detection

ultralytics

PublicDetect

SPOT satellite images of oil storage tank farms worldwide at about 1.2 m resolution, released by Airbus. Source: Jeff Faudi, Airbus, "Airbus Oil Storage Detection" dataset, Kaggle 2021; kaggle.com/datasets/airbusgeo/airbus-oil-storage-detection-dataset.

1 class143.5 MBOct 23, 2026

oil storage tank

COCO não representa muitas tarefas de visão computacional do mundo real. O Ultralytics Benchmark é um conjunto de dados de benchmark para medir a capacidade de generalização do modelo em 37 conjuntos de dados selecionados de detecção de objetos, com rótulos de alta qualidade de caixas delimitadoras. Os domínios incluem análise de imagens médicas, sensoriamento remoto, trânsito, documentos, interfaces de usuário, varejo, visão de máquina, agricultura, esportes, vida selvagem, imagens subaquáticas e detecção de resíduos. Os tipos de sensores incluem RGB, olho de peixe, infravermelho térmico, raios X, MRI, ultrassom, microscopia e radar de abertura sintética (SAR).

Os conjuntos de dados selecionados estão alojados na Plataforma Ultralytics. A tabela de classificação VLM classifica modelos de linguagem visual e detetores de vocabulário aberto em imagens de 36 destes conjuntos de dados, com base na precisão, no custo e na velocidade.

Os conjuntos de dados candidatos foram verificados para identificar imagens duplicadas ou quase duplicadas entre as divisões de treinamento e validação. Os pares sinalizados foram revisados, e os vazamentos confirmados entre divisões foram removidos ou o conjunto de dados afetado foi substituído.

Conjuntos de dados#

Avaliação#

• Amostre até 1.000 imagens de cada divisão de treinamento, mantenha a divisão de validação completa e exclua a divisão de teste com fraction=[1000, 1.0, 0.0].
• Ajuste o mesmo checkpoint pré-treinado de forma independente em cada conjunto de dados por 100 épocas, com paciência 100, semente 0, lote 16 e quatro workers. As imagens usam 640 pixels. A semente 0 não é totalmente determinística, então YOLO27m e YOLO27l informam a média de 3 execuções desse tipo.
• Ative o remapeamento de classes, o formato channels-last e a saída JSON das predições, com os gráficos desativados.
• Avalie o melhor checkpoint de cada conjunto de dados e reutilize o max_det salvo, que leva em conta a maior contagem de objetos.
• Aplique as regiões ignoradas conforme o toolkit VisDrone DET: descarte as previsões e os rótulos cobertos por uma região ignorada em pelo menos metade. Estas são as 1.378 regiões oficialmente ignoradas do VisDrone e as 7 caixas ignored region do HIT-UAV; em seguida, a classe HIT-UAV é removida.
• Para calcular a mAP_50-95 específica por tamanho, multiplica as áreas das caixas de verdade de referência e das previsões por (640 / max(image_width, image_height)) ** 2 antes de aplicar as categorias Small, Medium e Large do COCO.
• Atribua o mesmo peso a cada conjunto de dados. Cada métrica por tamanho inclui apenas conjuntos de dados com pelo menos 10 objetos nessa categoria.

A mAP macro é sum(dataset validation mAP50-95) / 37. As métricas são calculadas com base nas predições salvas de cada conjunto de dados.

Resultados do benchmark#

As métricas são médias macro calculadas sobre as 37 divisões de validação e apresentadas como porcentagens. YOLO27 é uma prévia ainda não lançada; seus pesos ainda não estão disponíveis.

Avaliação comparativa#

Use a branch main do Ultralytics com ULTRALYTICS_API_KEY definido para acessar o conjunto de dados:

from ultralytics import YOLO

datasets = [
    "ul://ultralytics/datasets/airbus-oil-storage-detection",
    "ul://ultralytics/datasets/annopage-doc-elements",
    "ul://ultralytics/datasets/basketball-hoop-detection",
    "ul://ultralytics/datasets/ceymo",
    "ul://ultralytics/datasets/cheng-brain-tumor-mri",
    "ul://ultralytics/datasets/ddr-lesion",
    "ul://ultralytics/datasets/deeppcb",
    "ul://ultralytics/datasets/dentex",
    "ul://ultralytics/datasets/dspcbsd-pcb-surface-defect",
    "ul://ultralytics/datasets/egohands-egocentric",
    "ul://ultralytics/datasets/ena24",
    "ul://ultralytics/datasets/fisheye8k-traffic",
    "ul://ultralytics/datasets/floorplancad-2",
    "ul://ultralytics/datasets/grazpedwri-dx",
    "ul://ultralytics/datasets/groundcua-ui-yolo",
    "ul://ultralytics/datasets/global-wheat-head-detection-2021",
    "ul://ultralytics/datasets/hit-uav",
    "ul://ultralytics/datasets/iedxray",
    "ul://ultralytics/datasets/kvasir-seg-polyp",
    "ul://ultralytics/datasets/llvip",
    "ul://ultralytics/datasets/moda-multispectral-obb",
    "ul://ultralytics/datasets/plantdoc",
    "ul://ultralytics/datasets/racketvision-tennis-ball-yolo",
    "ul://ultralytics/datasets/rdd2022",
    "ul://ultralytics/datasets/rpc-retail-checkout",
    "ul://ultralytics/datasets/ruod-underwater",
    "ul://ultralytics/datasets/safe-human-17",
    "ul://ultralytics/datasets/seadronessee-2",
    "ul://ultralytics/datasets/sku110k-2",
    "ul://ultralytics/datasets/soccerdb",
    "ul://ultralytics/datasets/ssdd-sar-ship",
    "ul://ultralytics/datasets/taco-detect",
    "ul://ultralytics/datasets/tbx11k-tb-only",
    "ul://ultralytics/datasets/tn5000-thyroid-us",
    "ul://ultralytics/datasets/txl-pbc-blood-cells",
    "ul://ultralytics/datasets/uec-school-lunch-food-2",
    "ul://ultralytics/datasets/visdrone",
]

results = YOLO("yolo26n.pt").train(
    data=datasets,
    epochs=100,
    patience=100,
    imgsz=640,
    batch=16,
    fraction=[1000, 1.0, 0.0],
    seed=0,
    workers=4,
    cls_remap=True,
    channels_last=True,
    save_json=True,
    plots=False,
)
# A branch principal informa as categorias de tamanho com base na área nativa. Este benchmark redimensiona separadamente as áreas de GT e das predições
# por (640 / max(image_width, image_height)) ** 2 antes de calcular a AP específica por tamanho, e aplica as regiões ignoradas do VisDrone e do
# regiões ignoradas do HIT-UAV. Este trecho não faz nenhuma dessas coisas.

Citação#

Se você usar o Ultralytics Benchmark no seu trabalho, cite o artigo do Ultralytics YOLO26:

@misc{jocher2026ultralyticsyolo26unifiedrealtime,
  title = {Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models},
  author = {Glenn Jocher and Jing Qiu and Mengyu Liu and Shuai Lyu and Fatih Cagatay Akyon and Muhammet Esat Kalfaoglu},
  year = {2026},
  eprint = {2606.03748},
  archivePrefix = {arXiv},
  primaryClass = {cs.CV},
  doi = {10.48550/arXiv.2606.03748},
  url = {https://arxiv.org/abs/2606.03748},
}