Link to this sectionTập dữ liệu Objects365#
Tập dữ liệu Objects365 là một chuẩn đánh giá object detection quy mô lớn với 1.742.289 hình ảnh huấn luyện và 80.000 hình ảnh xác thực trải dài trên 365 lớp đối tượng — từ con người, ô tô và ghế đến chai lọ, chó và đèn đường. Được tạo bởi các nhà nghiên cứu Megvii và trình bày tại ICCV 2019, tập dữ liệu này tập trung vào các đối tượng đa dạng trong môi trường thực tế và được sử dụng rộng rãi để tiền huấn luyện các computer vision models có khả năng tổng quát hóa tốt hơn so với các mô hình được tiền huấn luyện trên ImageNet.
Watch: How to Train Ultralytics YOLO on the Objects365 Dataset
Link to this sectionTính năng chính#
- Objects365 định nghĩa 365 lớp đối tượng, và bản phát hành gốc báo cáo tổng cộng khoảng 2 triệu hình ảnh với 30 triệu BBox.
- Tập dữ liệu bao gồm các đối tượng đa dạng trong nhiều kịch bản thực tế, cung cấp một benchmark phong phú và đầy thử thách cho các tác vụ phát hiện đối tượng.
- Các chú thích bao gồm bounding box cho các đối tượng, giúp nó phù hợp cho việc huấn luyện và đánh giá các model phát hiện đối tượng.
- Theo bài báo ICCV 2019, việc tiền huấn luyện trên Objects365 vượt trội hơn so với tiền huấn luyện trên ImageNet 5,6 điểm (42,0 so với 36,4 mAP) trên benchmark COCO.
Link to this sectionCấu trúc tập dữ liệu#
Cấu hình Objects365.yaml của Ultralytics định nghĩa hai tập chia dữ liệu:
| Split | Hình ảnh | Mô tả |
|---|---|---|
| Huấn luyện (Train) | 1.742.289 | Hình ảnh được gán nhãn cho việc huấn luyện model |
| Validation | 80.000 | Hình ảnh tách biệt để đánh giá và đo lường hiệu suất |
Quá trình tải xuống sẽ lấy các tập huấn luyện và xác thực — tổng cộng 1.822.289 hình ảnh — và khóa test: trong cấu hình được để trống.
Link to this sectionỨng dụng#
Tập dữ liệu Objects365 hỗ trợ nhiều ứng dụng học sâu trong lĩnh vực phát hiện đối tượng:
- Tiền huấn luyện các backbone phát hiện: Với 365 lớp và chú thích BBox dày đặc, việc tiền huấn luyện trên Objects365 cải thiện quá trình tinh chỉnh (fine-tuning) hạ nguồn trên các tập dữ liệu nhỏ hơn như COCO và VOC.
- Nhận diện bán lẻ và kiểm kê: Hàng trăm danh mục hàng ngày — chai lọ, cốc, giày thể thao, túi xách — hỗ trợ giám sát kệ hàng và các hệ thống thanh toán tự động.
- Robot và môi trường thông minh: Độ bao phủ rộng rãi về các đối tượng gia dụng và đường phố giúp robot và camera thông minh nhận diện đối tượng trong các cảnh quan phi cấu trúc.
- Đánh giá detector: Danh sách lớp dài và hình ảnh trong môi trường thực tế khiến nó trở thành một benchmark khắt khe để đánh giá mức độ tổng quát hóa của các model phát hiện.
Để dán nhãn hình ảnh của riêng bạn, huấn luyện và quản lý các tập dữ liệu quy mô lớn trong trình duyệt, hãy chạy quy trình làm việc đầy đủ với Ultralytics Platform.
Link to this sectionYAML tập dữ liệu#
Tệp Objects365.yaml định nghĩa cấu hình tập dữ liệu — đường dẫn tập dữ liệu, tên lớp và các metadata khác. Tệp này được duy trì trong kho lưu trữ Ultralytics tại 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}"))Link to this sectionCách sử dụng#
Objects365 tự động tải xuống trong lần đầu sử dụng và yêu cầu khoảng 712 GB dung lượng đĩa trống — 345 GB cho các file zip tải xuống cộng với 367 GB cho tập dữ liệu đã giải nén. Script tải xuống sẽ cài đặt gói faster-coco-eval và chuyển đổi các chú thích sang định dạng YOLO, điều này có thể mất nhiều thời gian tùy thuộc vào kết nối và phần cứng của bạn.
Để huấn luyện một model YOLO26n trên tập dữ liệu Objects365 trong 100 epochs với kích thước ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Để có danh sách đầy đủ các tham số khả dụng, hãy tham khảo trang Training của model.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)Link to this sectionHình ảnh mẫu và chú thích#
Tập dữ liệu Objects365 chứa các hình ảnh đa dạng, độ phân giải cao với chú thích BBox dày đặc trên 365 lớp. Mẫu dưới đây cho thấy các cảnh trong môi trường thực tế và các chú thích đa đối tượng đặc trưng của tập dữ liệu này:
Link to this sectionTrích dẫn và Ghi nhận#
Nếu bạn sử dụng tập dữ liệu Objects365 trong nghiên cứu hoặc công việc phát triển của mình, vui lòng trích dẫn bài báo sau:
@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}
}Chúng tôi muốn ghi nhận đội ngũ các nhà nghiên cứu đã tạo ra và duy trì tập dữ liệu Objects365 như một nguồn tài nguyên quý giá cho cộng đồng nghiên cứu computer vision. Để biết thêm thông tin về tập dữ liệu Objects365 và những người tạo ra nó, hãy truy cập trang web tập dữ liệu Objects365.
Link to this sectionCâu hỏi thường gặp#
Link to this sectionTập dữ liệu Objects365 được sử dụng để làm gì?#
Tập dữ liệu Objects365 được sử dụng để huấn luyện và đánh giá các model phát hiện đối tượng trong học máy và thị giác máy tính. Nó cung cấp 1.742.289 hình ảnh huấn luyện và 80.000 hình ảnh xác thực trên 365 lớp đối tượng, và đặc biệt phổ biến cho việc tiền huấn luyện các detector sau đó được tinh chỉnh trên các tập dữ liệu nhỏ hơn, chuyên biệt cho tác vụ cụ thể.
Link to this sectionTập dữ liệu Objects365 có bao nhiêu hình ảnh và lớp?#
Cấu hình Objects365.yaml của Ultralytics bao gồm 365 lớp đối tượng được chia thành 1.742.289 hình ảnh huấn luyện và 80.000 hình ảnh xác thực — tổng cộng 1.822.289, không có tập kiểm tra (test split). Bản phát hành gốc báo cáo tổng cộng khoảng 2 triệu hình ảnh với 30 triệu BBox.
Link to this sectionDung lượng tải xuống của tập dữ liệu Objects365 là bao nhiêu?#
Objects365 yêu cầu khoảng 712 GB dung lượng đĩa — khoảng 345 GB cho các file zip tự động tải xuống lần đầu tiên bạn huấn luyện với data="Objects365.yaml", cộng với 367 GB cho tập dữ liệu đã giải nén. Script tải xuống sẽ cài đặt gói faster-coco-eval và chuyển đổi các chú thích sang định dạng YOLO. Bạn có thể duyệt qua các giải pháp thay thế nhỏ hơn trong tổng quan về tập dữ liệu phát hiện.
Link to this sectionLàm thế nào để tôi có thể huấn luyện một model YOLO26 trên tập dữ liệu Objects365?#
Để huấn luyện một model YOLO26n sử dụng tập dữ liệu Objects365 trong 100 epochs với kích thước ảnh là 640, hãy làm theo các hướng dẫn sau:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)Tham khảo trang Training để biết danh sách đầy đủ các tham số khả dụng.
Link to this sectionTại sao tôi nên sử dụng tập dữ liệu Objects365 cho các dự án phát hiện đối tượng của mình?#
Bộ từ vựng gồm 365 lớp và các chú thích dày đặc của Objects365 biến nó thành một trong những tập dữ liệu tiền huấn luyện mạnh mẽ nhất cho phát hiện đối tượng — bài báo ICCV 2019 báo cáo mức tăng 5,6 điểm (42,0 so với 36,4 mAP) so với tiền huấn luyện trên ImageNet trên COCO. Hình ảnh của nó bao phủ các kịch bản thực tế đa dạng, giúp các model tổng quát hóa tốt hơn cho các tác vụ phát hiện hạ nguồn.
Link to this sectionTôi có thể tìm file cấu hình YAML cho tập dữ liệu Objects365 ở đâu?#
File cấu hình YAML cho tập dữ liệu Objects365 có sẵn tại Objects365.yaml. File này chứa các thông tin thiết yếu như đường dẫn tập dữ liệu và các nhãn class, rất quan trọng để thiết lập môi trường huấn luyện của bạn.