Ultralytics YOLO27:
CC BY 4.0

Dataset Objects365#

Dataset Objects365 là một benchmark phát hiện đối tượng quy mô lớn với 1.742.289 ảnh huấn luyện và 80.000 ảnh validation, bao phủ 365 lớp đối tượng — từ người, ô tô và ghế đến chai, chó và đèn đường. Được các nhà nghiên cứu tại Megvii tạo ra và giới thiệu tại ICCV 2019, dataset này tập trung vào các đối tượng đa dạng trong môi trường thực tế và được sử dụng rộng rãi để pretrain model thị giác máy tính có khả năng tổng quát hóa tốt hơn các model được pretrain trên ImageNet.



Watch: How to Train Ultralytics YOLO on the Objects365 Dataset

Các model được pretrain trên Objects365#

Ultralytics cung cấp các model YOLO26 phát hiện và phân đoạn được pretrain trên Objects365v1, vì vậy bạn có thể phát hiện 365 lớp của dataset mà không cần tải dataset xuống. Tất cả model được huấn luyện trong 150 epoch với kích thước ảnh 640.

Modelkích thước
(pixel)		mAPval
50-95		mAPval
50		tham số
(M)		FLOPs
(B)
YOLO26n64016.322.32.56.1
YOLO26s64024.331.79.621.5
YOLO26m64030.338.220.669.7
YOLO26l64032.240.125.088.0
YOLO26x64035.844.156.1196.3

Các model phân đoạn sử dụng mask được tạo cho Objects365v1 và báo cáo cả độ chính xác của box lẫn mask:

Modelkích thước
(pixel)		mAPbox
50-95		mAPmask
50-95		tham số
(M)		FLOPs
(B)
YOLO26n-seg64015.713.22.89.8
YOLO26s-seg64023.819.510.535.1
YOLO26m-seg64029.523.823.8123.0
YOLO26l-seg64031.725.328.2141.3
YOLO26x-seg64035.427.963.1315.9
  • Các giá trị mAPval là kết quả single-model, single-scale trên tập validation của Objects365v1.
  • Các giá trị Params và FLOPs áp dụng cho model đã fuse sau model.fuse().

Bạn có thể chạy prediction hoặc bắt đầu fine-tuning từ các checkpoint này như sau.

Ví dụ sử dụng model được pretrain
from ultralytics import YOLO

# Load an Objects365 pretrained YOLO26n model
model = YOLO("yolo26n-objv1-150.pt")

# Run prediction
results = model.predict(source="image.jpg")

# Start training from the pretrained checkpoint
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Tính năng chính#

  • Objects365 định nghĩa 365 lớp đối tượng, và bản phát hành upstream báo cáo tổng cộng khoảng 2 triệu ảnh với 30 triệu bounding box.
  • Dataset bao gồm các đối tượng đa dạng trong nhiều bối cảnh thực tế khác nhau, cung cấp một benchmark phong phú và đầy thách thức cho các tác vụ phát hiện đối tượng.
  • Các annotation bao gồm bounding box của các đối tượng, phù hợp để huấn luyện và đánh giá các model phát hiện đối tượng.
  • Theo bài báo ICCV 2019, pretraining trên Objects365 vượt trội so với pretraining trên ImageNet 5,6 điểm (42,0 so với 36,4 mAP) trên benchmark COCO.

Cấu trúc bộ dữ liệu#

Cấu hình Objects365.yaml của Ultralytics định nghĩa hai split:

SplitẢnhMô tả
Huấn luyện1,742,289Ảnh đã gán nhãn để huấn luyện model
Validation80,000Ảnh được giữ riêng để đánh giá và benchmarking

Quá trình tải xuống lấy các split train và validation — tổng cộng 1.822.289 ảnh — còn key test: trong cấu hình được để trống.

Ứng dụng#

Dataset Objects365 hỗ trợ nhiều ứng dụng deep learning trong phát hiện đối tượng:

  • Pretraining backbone phát hiện: Với 365 lớp và annotation box dày đặc, pretraining trên Objects365 cải thiện fine-tuning downstream trên các dataset nhỏ hơn như COCO và VOC.
  • Nhận diện bán lẻ và hàng tồn kho: Hàng trăm danh mục thường ngày — chai, cốc, giày sneaker, túi xách — hỗ trợ giám sát kệ hàng và hệ thống thanh toán tự động.
  • Robotics và môi trường thông minh: Độ bao phủ rộng đối với các đối tượng gia dụng và đường phố giúp robot và camera thông minh nhận diện đối tượng trong các cảnh không có cấu trúc.
  • Benchmark detector: Danh sách lớp dài và hình ảnh trong môi trường thực tế khiến đây trở thành một benchmark đầy thách thức để đánh giá khả năng tổng quát hóa của các model phát hiện.

Để gán nhãn ảnh riêng, huấn luyện và quản lý dataset quy mô lớn trong trình duyệt, hãy thực hiện toàn bộ workflow với Ultralytics Platform.

YAML của bộ dữ liệu#

File Objects365.yaml định nghĩa cấu hình dataset — các đường dẫn dataset, tên lớp và metadata khác. File này được duy trì trong repository Ultralytics tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Objects365.yaml.

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}"))

Cách sử dụng#

Tải xuống 712 GB

Objects365 được tự động tải xuống trong lần sử dụng đầu tiên và yêu cầu khoảng 712 GB dung lượng đĩa trống — gồm 345 GB archive zip được tải xuống và 367 GB cho dataset đã giải nén. Script tải xuống cài đặt package faster-coco-eval và chuyển đổi annotation sang format YOLO; quá trình này có thể mất nhiều thời gian tùy thuộc vào kết nối và phần cứng của bạn.

Để huấn luyện model YOLO26n trên dataset Objects365 trong 100 epoch với kích thước ảnh 640, bạn có thể sử dụng các đoạn code sau. Để xem danh sách đầy đủ các argument khả dụng, hãy tham khảo trang Training của model.

Ví dụ huấn luyện
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)

Hình ảnh mẫu và annotation#

Dataset Objects365 chứa các ảnh đa dạng, độ phân giải cao với annotation bounding box dày đặc trên 365 lớp. Mẫu bên dưới thể hiện các cảnh trong môi trường thực tế và annotation đa đối tượng đặc trưng của dataset:

Mẫu dataset Objects365 với annotation đa dạng cho các đối tượng

Trích dẫn và ghi nhận đóng góp#

Nếu sử dụng dataset Objects365 trong nghiên cứu hoặc công việc phát triển, vui lòng trích dẫn bài báo sau:

Trích dẫn
@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 xin ghi nhận đội ngũ các nhà nghiên cứu đã tạo và duy trì dataset Objects365 như một tài nguyên có giá trị cho cộng đồng nghiên cứu thị giác máy tính. Để biết thêm thông tin về dataset Objects365 và các tác giả, hãy truy cập website dataset Objects365.

FAQ#

  • Dataset Objects365 được sử dụng để huấn luyện và đánh giá các model phát hiện đối tượng trong machine learning và thị giác máy tính. Dataset cung cấp 1.742.289 ảnh huấn luyện và 80.000 ảnh validation thuộc 365 lớp đối tượng, đặc biệt phổ biến để pretrain các detector, sau đó fine-tune trên các dataset nhỏ hơn, dành riêng cho từng tác vụ.

  • Cấu hình Objects365.yaml của Ultralytics bao phủ 365 lớp đối tượng, được chia thành 1.742.289 ảnh huấn luyện và 80.000 ảnh validation — tổng cộng 1.822.289 ảnh, không có split test. Bản phát hành upstream báo cáo tổng cộng khoảng 2 triệu ảnh với 30 triệu bounding box.

  • Objects365 yêu cầu khoảng 712 GB dung lượng đĩa — khoảng 345 GB archive zip được tự động tải xuống trong lần đầu tiên bạn huấn luyện với data="Objects365.yaml", cộng với 367 GB cho dataset đã giải nén. Script tải xuống cài đặt package faster-coco-eval và chuyển đổi annotation sang format YOLO. Bạn có thể xem các lựa chọn thay thế nhỏ hơn trong tổng quan về các dataset phát hiện.

  • Để huấn luyện model YOLO26n bằng dataset Objects365 trong 100 epoch với kích thước ảnh 640, hãy làm theo các hướng dẫn sau:

    Ví dụ huấn luyện
    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 xem danh sách đầy đủ các argument khả dụng.

  • Từ vựng 365 lớp và annotation dày đặc của Objects365 khiến dataset này trở thành một trong những dataset pretraining mạnh 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 pretraining trên ImageNet trên COCO. Các ảnh bao phủ nhiều bối cảnh thực tế đa dạng, giúp model tổng quát hóa tốt cho các tác vụ phát hiện downstream.

  • File cấu hình YAML của dataset Objects365 có tại Objects365.yaml. File này chứa các thông tin thiết yếu như đường dẫn dataset và nhãn lớp, đóng vai trò quan trọng trong việc thiết lập môi trường huấn luyện.

Những người đóng góp
GLglenn-jocher15RAraimbekovm4PDpderrenger2RIRizwanMunawar2Y-Y-T-G1MAMatthewNoyce1

Bình luận