Ultralytics YOLO26 實戰(zhàn)Objects365 大規(guī)模目標(biāo)檢測數(shù)據(jù)集訓(xùn)練、預(yù)訓(xùn)練檢查點與 712GB 下載機(jī)制全解【免費下載鏈接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking項目地址: https://gitcode.com/GitHub_Trending/ul/ultralyticsObjects365 是由 Megvii 研究團(tuán)隊發(fā)布的大規(guī)模目標(biāo)檢測數(shù)據(jù)集以約 174 萬張訓(xùn)練圖和 365 個物體類別成為檢測模型預(yù)訓(xùn)練的首選數(shù)據(jù)源之一。本篇基于 Ultralytics 倉庫中的 Objects365 數(shù)據(jù)集文檔 與配套配置、源碼講透三件事如何用Objects365.yaml一鍵自動下載并訓(xùn)練 YOLO26 檢測器、如何免下載直接使用官方 Objects365 預(yù)訓(xùn)練權(quán)重做預(yù)測與微調(diào)以及這套YAML 內(nèi)嵌 Python 下載腳本機(jī)制在 ultralytics/data/utils.py 中的真實執(zhí)行鏈路。數(shù)據(jù)集概覽與關(guān)鍵特性O(shè)bjects365 是 ICCV 2019 論文Shao et al., Objects365: A Large-Scale, High-Quality Dataset for Object Detection發(fā)布的數(shù)據(jù)集聚焦真實世界場景中的多樣化物體覆蓋從人、車、椅子到瓶子、狗、路燈等 365 個類別。官方文檔給出的核心規(guī)格指標(biāo)數(shù)值訓(xùn)練圖像1,742,289 張驗證圖像80,000 張類別數(shù)365上游發(fā)布規(guī)模約 200 萬張圖像、3000 萬個邊界框從數(shù)據(jù)集特性看它適合目標(biāo)檢測的原因有四365 類詞匯表 稠密框標(biāo)注標(biāo)注以邊界框形式給出天然適配檢測模型的訓(xùn)練與評估真實場景多樣性圖像覆蓋各類 in-the-wild 場景構(gòu)成有挑戰(zhàn)性的檢測基準(zhǔn)預(yù)訓(xùn)練價值高官方文檔引用 ICCV 2019 論文的實驗結(jié)論——以 Objects365 預(yù)訓(xùn)練比以 ImageNet 預(yù)訓(xùn)練在 COCO 基準(zhǔn)上高 5.6 個點42.0 vs 36.4 mAP。這正是 Ultralytics 選擇它作為 YOLO26 預(yù)訓(xùn)練數(shù)據(jù)源的原因典型應(yīng)用場景檢測骨干預(yù)訓(xùn)練后續(xù)在 COCO、VOC 等更小數(shù)據(jù)集上微調(diào)、零售貨架識別瓶、杯、運動鞋、手提包等日用類別、機(jī)器人與智能環(huán)境的無結(jié)構(gòu)化場景識別、以及檢測模型泛化能力基準(zhǔn)評測。數(shù)據(jù)集結(jié)構(gòu)與 YAML 配置Ultralytics 在 ultralytics/cfg/datasets/Objects365.yaml 中維護(hù)該數(shù)據(jù)集的完整配置定義兩個數(shù)據(jù)劃分劃分圖像數(shù)用途Train1,742,289模型訓(xùn)練Validation80,000評估與基準(zhǔn)測試下載流程會拉取 train 與 val 兩個劃分合計 1,822,289 張圖像配置中的test:鍵刻意留空。YAML 的頭部注釋給出了路徑約定與磁盤占用預(yù)估# Objects365 dataset https://www.objects365.org/ by Megvii # Example usage: yolo train dataObjects365.yaml # parent # ├── ultralytics # └── datasets # └── Objects365 ← downloads here (712 GB 367G data 345G zips) 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)names段按 0–364 索引完整定義了 365 個類別包括Person、Sneakers、Car、Street Lights、Bottle、Dog、Cat、Traffic Sign、Laptop、Refrigerator等完整 365 項見 Objects365.yaml。需要特別留意類別名中帶有斜杠的復(fù)合類別如Cabinet/shelf、Handbag/Satchel、Pen/Pencil、Bowl/Basin、Truck與Heavy Truck分屬不同類別等——在自定義下游數(shù)據(jù)集中若沿用其中部分類別需保持這種命名一致才能對齊權(quán)重中的類別索引。下載腳本的源碼級解析YAML 尾部Objects365.yaml 的download:塊內(nèi)嵌了一段 Python 腳本這是 Ultralytics 數(shù)據(jù)集即配置 設(shè)計的核心——把數(shù)據(jù)獲取邏輯與配置放在一起首次訓(xùn)練時自動執(zhí)行。該腳本的工作流程安裝評估依賴調(diào)用check_requirements(faster-coco-eval)安裝faster-coco-eval包并從中導(dǎo)入COCO類用于解析原始 COCO 格式標(biāo)注分片并行下載train 劃分下載 51 個補(bǔ)丁包patch0.tar.gz~patch50.tar.gz即代碼中的50 1外加標(biāo)注文件zhiyuan_objv2_train.tar.gz使用 17 線程val 劃分下載 44 個補(bǔ)丁包43 1v1 補(bǔ)丁patch0–14與 v2 補(bǔ)丁patch16–43分兩組以 16 線程下載另有標(biāo)注文件zhiyuan_objv2_val.json圖像歸位用ThreadPoolExecutor(max_workers16)把各補(bǔ)丁解壓出的*.jpg重命名平鋪到images/split/下標(biāo)注格式轉(zhuǎn)換以類別為主循環(huán)遍歷 365 個類別對每張圖像調(diào)用COCO.getAnnIds/loadAnns取出標(biāo)注框?qū)?COCO 的像素級 xywh 經(jīng)xyxy2xywhn轉(zhuǎn)為歸一化 xywhn 五元組逐行追加寫入labels/split/image.txt{class_id} {x} {y} {w} {h}精度 5 位小數(shù)——這正是 YOLO 訓(xùn)練所需的標(biāo)準(zhǔn)標(biāo)簽格式。其中坐標(biāo)轉(zhuǎn)換函數(shù)xyxy2xywhn定義在 ultralytics/utils/ops.pyclipTrue參數(shù)保證越界框被裁剪到圖像內(nèi)部避免出現(xiàn)歸一化坐標(biāo)大于 1 的臟標(biāo)簽。這套腳本如何被觸發(fā)入口在 ultralytics/data/utils.py 的check_det_dataset()它先做數(shù)據(jù)完整性校驗——train、val鍵必須存在names與nc必須二選一二者共存時長度必須一致Objects365 的 365 個names會被自動折算為nc: 365當(dāng) val 圖像目錄不存在且autodownload為真時檢查download鍵若以http開頭且以.zip結(jié)尾則按 URL 下載若以bash開頭則執(zhí)行 shell 命令否則直接把腳本當(dāng)作 Python 代碼exec(s, {yaml: data})執(zhí)行ultralytics/data/utils.py。Objects365 走的正是最后這條分支腳本內(nèi)通過閉包變量yaml[path]拿到數(shù)據(jù)集根目錄下載目錄默認(rèn)為DATASETS_DIR默認(rèn)位于項目根目錄的datasets/可在 Ultralytics 設(shè)置文件中修改日志會提示 Note dataset download directory is ...。??磁盤與時間預(yù)算Objects365 首次使用自動下載共需約712GB 空閑磁盤——345GB 的 tar.gz 壓縮包 367GB 解壓后的數(shù)據(jù)集。下載腳本還會執(zhí)行標(biāo)注轉(zhuǎn)換耗時取決于網(wǎng)絡(luò)帶寬與硬件。在評估訓(xùn)練方案前官方文檔建議先到 檢測數(shù)據(jù)集總覽 對比體積更小的替代數(shù)據(jù)集如 COCO128、COCO8 等。Objects365 預(yù)訓(xùn)練模型免下載直接可用Ultralytics 官方發(fā)布了在 Objects365v1 上預(yù)訓(xùn)練的 YOLO26 檢測與分割模型均為 150 epochs、640 分辨率訓(xùn)練無需下載 712GB 數(shù)據(jù)集即可檢測全部 365 類。檢測模型在 Objects365v1 驗證集上的單模型單尺度指標(biāo)模型尺寸 (px)mAP val 50-95mAP val 50參數(shù)量 (M)FLOPs (B)YOLO26n64016.322.32.56.0YOLO26s64024.331.79.621.3YOLO26m64030.338.220.669.4YOLO26l64032.240.125.087.7YOLO26x64035.844.156.1195.7分割模型使用 Objects365v1 的掩碼生成同時報告框與掩碼精度模型尺寸 (px)mAP box 50-95mAP mask 50-95參數(shù)量 (M)FLOPs (B)YOLO26n-seg64015.713.22.89.7YOLO26s-seg64023.819.510.534.8YOLO26m-seg64029.523.823.8122.7YOLO26l-seg64031.725.328.2141.0YOLO26x-seg64035.427.963.1315.3注mAP val 為單模型單尺度、Objects365v1 驗證劃分上的結(jié)果Params 與 FLOPs 為model.fuse()融合后模型的數(shù)值。這些檢查點在源碼中的資產(chǎn)清單有明確定義ultralytics/utils/downloads.py 的GITHUB_ASSETS_NAMES包含yolo26{k}-objv1{suffix}.ptk ∈ nsmlxsuffix 為-150或-seg意味著yolo26n-objv1-150.pt、yolo26s-objv1-seg.pt等文件均可被框架識別為官方資產(chǎn)首次YOLO(...)加載時自動下載與常規(guī).pt權(quán)重行為一致。與 YOLO26 官方訓(xùn)練流程的關(guān)系根據(jù) YOLO26 訓(xùn)練配方文檔所有 YOLO26 基礎(chǔ)模型都是兩階段訓(xùn)練——先在 Objects365v1 上預(yù)訓(xùn)練 150 epochs再在 COCO 上微調(diào)全程 640×640、MuSGD 優(yōu)化器、batch 128。官方明確沒有任何 YOLO26 檢查點是從隨機(jī)權(quán)重直接訓(xùn)練 COCO 得到的各尺寸 COCO 檢查點yolo26n.pt~yolo26x.pt的訓(xùn)練配置中都記錄了對應(yīng)的yolo26*-objv1-150.pt起始權(quán)重。換言之Objects365 預(yù)訓(xùn)練是 YOLO26 性能的一部分來源而這些中間檢查點被官方一并發(fā)布供社區(qū)復(fù)用。使用預(yù)訓(xùn)練檢查點預(yù)測與微調(diào)基于 Objects365 預(yù)訓(xùn)練權(quán)重做預(yù)測365 類檢測或在其基礎(chǔ)上微調(diào)Python 與 CLI 兩種方式如下# Python from ultralytics import YOLO # 加載 Objects365 預(yù)訓(xùn)練 YOLO26n 模型 model YOLO(yolo26n-objv1-150.pt) # 運行預(yù)測 results model.predict(sourceimage.jpg) # 從該預(yù)訓(xùn)練檢查點開始訓(xùn)練在你的數(shù)據(jù)集上 results model.train(datacoco8.yaml, epochs100, imgsz640)# CLI使用 Objects365 預(yù)訓(xùn)練模型做預(yù)測 yolo detect predict sourceimage.jpg modelyolo26n-objv1-150.pt # CLI從 Objects365 預(yù)訓(xùn)練檢查點開始訓(xùn)練 yolo detect train datacoco8.yaml modelyolo26n-objv1-150.pt epochs100 imgsz640從源碼結(jié)構(gòu)看加載這些權(quán)重與加載普通yolo26n.pt走的是同一條資產(chǎn)下載與檢查鏈路GITHUB_ASSETS_NAMES白名單校驗因此不需要任何額外配置即可復(fù)用。官方訓(xùn)練配方文檔給出的建議是微調(diào)自己的數(shù)據(jù)集時直接從yolo26s-objv1-150.pt這類同尺寸 Objects365 權(quán)重出發(fā)而不是從 COCO 檢查點出發(fā)因為后者只面向 80 類完整訓(xùn)練參數(shù)列表見 訓(xùn)練模式文檔預(yù)測參數(shù)見 預(yù)測模式文檔。全量訓(xùn)練在 Objects365 數(shù)據(jù)集上訓(xùn)練 YOLO26n若要在整個 Objects365 數(shù)據(jù)集上從頭訓(xùn)練例如復(fù)現(xiàn)預(yù)訓(xùn)練階段或擴(kuò)展數(shù)據(jù)以 100 epochs、640 圖像尺寸訓(xùn)練 YOLO26n 為例# Python from ultralytics import YOLO # 加載模型推薦加載預(yù)訓(xùn)練權(quán)重開始訓(xùn)練 model YOLO(yolo26n.pt) # 開始訓(xùn)練 results model.train(dataObjects365.yaml, epochs100, imgsz640)# CLI從預(yù)訓(xùn)練 *.pt 模型開始訓(xùn)練 yolo detect train dataObjects365.yaml modelyolo26n.pt epochs100 imgsz640執(zhí)行dataObjects365.yaml時的實際鏈路model.train()→ 數(shù)據(jù)校驗入口check_det_dataset(Objects365.yaml)→ 解析 YAML、發(fā)現(xiàn)images/val不存在且autodownload開啟 → 執(zhí)行 YAML 內(nèi)嵌下載腳本見上文解析→ 下載 712GB、轉(zhuǎn)換標(biāo)注 → 繼續(xù)訓(xùn)練。首次運行日志會提示數(shù)據(jù)集下載目錄位置。訓(xùn)練過程中的可調(diào)參數(shù)epochs、imgsz、batch、patience早停等的完整列表在 訓(xùn)練模式文檔 中。標(biāo)注樣例Objects365 包含多樣化的高分辨率圖像365 類上標(biāo)注稠密典型樣本呈現(xiàn)真實戶外/室內(nèi)場景中的多目標(biāo)框標(biāo)注——這種 in-the-wild 密集標(biāo)注風(fēng)格正是其作為預(yù)訓(xùn)練源的說服力所在官方文檔配有樣例圖可在 Objects365 數(shù)據(jù)集文檔 中查看。引用與致謝若在你的研究或開發(fā)工作中使用 Objects365 數(shù)據(jù)集請引用原始論文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} }感謝創(chuàng)建并維護(hù) Objects365 數(shù)據(jù)集的研究團(tuán)隊該數(shù)據(jù)集是計算機(jī)視覺研究社區(qū)的重要資源。常見問題Objects365 用來做什么訓(xùn)練與評估目標(biāo)檢測模型尤其是大詞匯表預(yù)訓(xùn)練 小數(shù)據(jù)集微調(diào)的范式先在 365 類、174 萬張圖上預(yù)訓(xùn)練再在任務(wù)特定的小數(shù)據(jù)集上微調(diào)。數(shù)據(jù)規(guī)模到底多大Ultralytics 的Objects365.yaml覆蓋 365 類、1,742,289 張訓(xùn)練圖 80,000 張驗證圖共 1,822,289 張無 test 劃分上游發(fā)布版本整體報告約 200 萬張圖像、3000 萬個邊界框。下載需要多少空間約 712GB345GB 壓縮包 367GB 解壓數(shù)據(jù)。首次以dataObjects365.yaml訓(xùn)練時自動觸發(fā)下載腳本還會安裝faster-coco-eval并轉(zhuǎn)換標(biāo)注耗時較長空間緊張時可先查看 檢測數(shù)據(jù)集總覽 中的小體積替代方案。為什么選 Objects365 而不是其他預(yù)訓(xùn)練集365 類詞匯表 稠密框標(biāo)注 真實場景多樣性。官方文檔引用 ICCV 2019 論文Objects365 預(yù)訓(xùn)練相對 ImageNet 預(yù)訓(xùn)練在 COCO 上提升 5.6 個 mAP 點42.0 vs 36.4且 Ultralytics 已用它為全部 YOLO26 尺寸模型完成預(yù)訓(xùn)練階段訓(xùn)練配方文檔。YAML 配置文件在哪倉庫內(nèi) ultralytics/cfg/datasets/Objects365.yaml包含數(shù)據(jù)路徑、365 類類別名與內(nèi)嵌下載腳本是搭建訓(xùn)練環(huán)境的唯一入口配置?！久赓M下載鏈接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking項目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考