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, gerçek dünyadaki birçok bilgisayarlı görü görevini temsil etmez. Ultralytics Benchmark, yüksek kaliteli sınırlayıcı kutu etiketlerine sahip, özenle seçilmiş 37 nesne algılama veri kümesinde model genellenebilirliğini ölçmek için kullanılan bir kıyaslama veri kümesidir. Veri kümesinin alanları arasında tıbbi görüntü analizi, uzaktan algılama, trafik, belgeler, kullanıcı arayüzleri, perakende, makine görüşü, tarım, spor, yaban hayatı, su altı görüntüleme ve atık algılama yer alır. Sensör türleri arasında RGB, balıkgözü, termal kızılötesi, X-ışını, MRI, ultrason, mikroskopi ve sentetik açıklıklı radar (SAR) bulunur.

Derlenmiş veri kümeleri Ultralytics Platform üzerinde barındırılır. VLM liderlik tablosu, bu veri kümelerinden 36'sındaki görüntüler üzerinde görsel dil modellerini ve açık sözcük dağarcıklı algılayıcıları doğruluk, maliyet ve hıza göre sıralar.

Aday veri kümeleri, eğitim ve doğrulama bölümlerindeki tam ve yakın kopya görüntüler açısından kontrol edildi. İşaretlenen çiftler incelendi; doğrulanan bölüm sızıntıları giderildi veya etkilenen veri kümesi değiştirildi.

Veri Kümeleri#

Değerlendirme#

• Her eğitim bölümünden en fazla 1.000 görüntü örnekle, doğrulama bölümünün tamamını koru ve test bölümünü fraction=[1000, 1.0, 0.0] ile hariç tut.
• Aynı önceden eğitilmiş kontrol noktasını her veri kümesinde bağımsız olarak 100 epoch boyunca, patience 100, seed 0, batch 16 ve dört worker ile ince ayarla. Görüntüler 640 piksel kullanır. Seed 0 tam olarak belirlenimci olmadığından YOLO27m ve YOLO27l, bu tür 3 çalışmanın ortalamasını raporlar.
• Sınıf eşlemesini, kanallar-sonda düzenini ve tahminlerin JSON çıktısını etkinleştir; grafikleri devre dışı bırak.
• Her veri kümesinin en iyi kontrol noktasını değerlendir ve en yüksek nesne sayısını hesaba katan kayıtlı max_det değerini yeniden kullan.
• Yok sayma bölgelerini VisDrone DET araç setindeki gibi uygula: yok sayılan bir bölgenin en az yarısını kapladıkları durumlarda tahminleri ve etiketleri çıkar. Bunlar VisDrone'un resmi 1.378 yok sayma bölgesi ile HIT-UAV'ın 7 ignored region kutusudur; ardından HIT-UAV sınıfı kaldırılır.
• Boyuta özgü mAP_50-95 için, COCO Küçük, Orta ve Büyük gruplarını belirlemeden önce gerçek değer ve tahmin kutularının alanlarını (640 / max(image_width, image_height)) ** 2 ile çarp.
• Her veri kümesine eşit ağırlık ver. Her boyut metriğine yalnızca ilgili aralıkta en az 10 nesne bulunan veri kümeleri dahil edilir.

Makro mAP, sum(dataset validation mAP50-95) / 37 değeridir. Metrikler, her veri kümesinin kayıtlı tahminlerinden hesaplanır.

Kıyaslama sonuçları#

Metrikler, 37 doğrulama bölümünün makro ortalamalarıdır ve yüzde olarak raporlanır. YOLO27 henüz yayımlanmamış bir önizlemedir; ağırlıkları henüz mevcut değildir.

Kıyaslama#

Veri kümesine erişmek için ULTRALYTICS_API_KEY ayarıyla Ultralytics'in main dalını kullan:

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,
)
# Ana dal, yerel alan boyutu aralıklarını raporlar. Bu kıyaslama, gerçek değer ve tahmin alanlarını ayrıca ölçeklendirir
# boyuta özgü AP puanlamasından önce (640 / max(image_width, image_height)) ** 2 ile çarpar ve VisDrone ile
# HIT-UAV yok sayma bölgelerini uygular. Bu kod parçası bunların ikisini de yapmaz.

Atıf#

Çalışmanda Ultralytics Benchmark'ı kullanıyorsan lütfen Ultralytics YOLO26 makalesine atıfta bulun:

@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},
}