企业官网建设流程全解析

Ultralytics YOLO26 实战：Objects365 大规模目标检测数据集训练、预训练检查点与 712GB 下载机制全解

【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics

Objects365 是由 Megvii 研究团队发布的大规模目标检测数据集，以约 174 万张训练图和 365 个物体类别成为检测模型预训练的首选数据源之一。本篇基于 Ultralytics 仓库中的 Objects365 数据集文档 与配套配置、源码，讲透三件事：如何用Objects365.yaml一键自动下载并训练 YOLO26 检测器、如何免下载直接使用官方 Objects365 预训练权重做预测与微调，以及这套"YAML 内嵌 Python 下载脚本"机制在 ultralytics/data/utils.py 中的真实执行链路。

数据集概览与关键特性

Objects365 是 ICCV 2019 论文（Shao et al., "Objects365: A Large-Scale, High-Quality Dataset for Object Detection"）发布的数据集，聚焦真实世界场景中的多样化物体，覆盖从人、车、椅子到瓶子、狗、路灯等 365 个类别。官方文档给出的核心规格：

从数据集特性看，它适合目标检测的原因有四：

• 365 类词汇表 + 稠密框标注：标注以边界框形式给出，天然适配检测模型的训练与评估；
• 真实场景多样性：图像覆盖各类 in-the-wild 场景，构成有挑战性的检测基准；
• 预训练价值高：官方文档引用 ICCV 2019 论文的实验结论——以 Objects365 预训练比以 ImageNet 预训练在 COCO 基准上高 5.6 个点（42.0 vs 36.4 mAP）。这正是 Ultralytics 选择它作为 YOLO26 预训练数据源的原因；
• 典型应用场景：检测骨干预训练（后续在 COCO、VOC 等更小数据集上微调）、零售货架识别（瓶、杯、运动鞋、手提包等日用类别）、机器人与智能环境的无结构化场景识别、以及检测模型泛化能力基准评测。

数据集结构与 YAML 配置

Ultralytics 在 ultralytics/cfg/datasets/Objects365.yaml 中维护该数据集的完整配置，定义两个数据划分：

下载流程会拉取 train 与 val 两个划分（合计 1,822,289 张图像），配置中的test:键刻意留空。YAML 的头部注释给出了路径约定与磁盘占用预估：

# Objects365 dataset https://www.objects365.org/ by Megvii # Example usage: yolo train data=Objects365.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 索引完整定义了 365 个类别，包括Person、Sneakers、Car、Street Lights、Bottle、Dog、Cat、Traffic Sign、Laptop、Refrigerator等（完整 365 项见 Objects365.yaml）。需要特别留意类别名中带有斜杠的复合类别，如Cabinet/shelf、Handbag/Satchel、Pen/Pencil、Bowl/Basin、Truck与Heavy Truck分属不同类别等——在自定义下游数据集中若沿用其中部分类别，需保持这种命名一致才能对齐权重中的类别索引。

下载脚本的源码级解析

YAML 尾部（Objects365.yaml 的download:块）内嵌了一段 Python 脚本，这是 Ultralytics "数据集即配置" 设计的核心——把数据获取逻辑与配置放在一起，首次训练时自动执行。该脚本的工作流程：

1. 安装评估依赖：调用check_requirements("faster-coco-eval")安装faster-coco-eval包，并从中导入COCO类用于解析原始 COCO 格式标注；
2. 分片并行下载：train 划分下载 51 个补丁包（patch0.tar.gz~patch50.tar.gz，即代码中的50 + 1）外加标注文件zhiyuan_objv2_train.tar.gz，使用 17 线程；val 划分下载 44 个补丁包（43 + 1），v1 补丁（patch0–14）与 v2 补丁（patch16–43）分两组以 16 线程下载，另有标注文件zhiyuan_objv2_val.json；
3. 图像归位：用ThreadPoolExecutor(max_workers=16)把各补丁解压出的*.jpg重命名平铺到images/<split>/下；
4. 标注格式转换：以类别为主循环遍历 365 个类别，对每张图像调用COCO.getAnnIds/loadAnns取出标注框，将 COCO 的像素级 xywh 经xyxy2xywhn转为归一化 xywhn 五元组，逐行追加写入labels/<split>/<image>.txt（{class_id} {x} {y} {w} {h}，精度 5 位小数）——这正是 YOLO 训练所需的标准标签格式。

其中坐标转换函数xyxy2xywhn定义在 ultralytics/utils/ops.py，clip=True参数保证越界框被裁剪到图像内部，避免出现归一化坐标大于 1 的脏标签。

这套脚本如何被触发？入口在 ultralytics/data/utils.py 的check_det_dataset()：

• 它先做数据完整性校验——train、val键必须存在，names与nc必须二选一，二者共存时长度必须一致（Objects365 的 365 个names会被自动折算为nc: 365）；
• 当 val 图像目录不存在且autodownload为真时，检查download键：若以http开头且以.zip结尾则按 URL 下载；若以bash开头则执行 shell 命令；否则直接把脚本当作 Python 代码exec(s, {"yaml": data})执行（ultralytics/data/utils.py）。Objects365 走的正是最后这条分支，脚本内通过闭包变量yaml["path"]拿到数据集根目录；
• 下载目录默认为DATASETS_DIR（默认位于项目根目录的datasets/），可在 Ultralytics 设置文件中修改，日志会提示 "Note dataset download directory is ..."。

⚠️磁盘与时间预算：Objects365 首次使用自动下载，共需约712GB 空闲磁盘——345GB 的 tar.gz 压缩包 + 367GB 解压后的数据集。下载脚本还会执行标注转换，耗时取决于网络带宽与硬件。在评估训练方案前，官方文档建议先到 检测数据集总览 对比体积更小的替代数据集（如 COCO128、COCO8 等）。

Objects365 预训练模型：免下载直接可用

Ultralytics 官方发布了在 Objects365v1 上预训练的 YOLO26 检测与分割模型（均为 150 epochs、640 分辨率训练），无需下载 712GB 数据集即可检测全部 365 类。检测模型在 Objects365v1 验证集上的单模型单尺度指标：

分割模型使用 Objects365v1 的掩码生成，同时报告框与掩码精度：

注：mAP val 为单模型单尺度、Objects365v1 验证划分上的结果；Params 与 FLOPs 为model.fuse()融合后模型的数值。

这些检查点在源码中的资产清单有明确定义：ultralytics/utils/downloads.py 的GITHUB_ASSETS_NAMES包含yolo26{k}-objv1{suffix}.pt（k ∈ nsmlx，suffix 为-150或-seg），意味着yolo26n-objv1-150.pt、yolo26s-objv1-seg.pt等文件均可被框架识别为官方资产，首次YOLO("...")加载时自动下载，与常规.pt权重行为一致。

与 YOLO26 官方训练流程的关系：根据 YOLO26 训练配方文档，所有 YOLO26 基础模型都是两阶段训练——先在 Objects365v1 上预训练 150 epochs，再在 COCO 上微调，全程 640×640、MuSGD 优化器、batch 128。官方明确没有任何 YOLO26 检查点是从随机权重直接训练 COCO 得到的，各尺寸 COCO 检查点（yolo26n.pt~yolo26x.pt）的训练配置中都记录了对应的yolo26*-objv1-150.pt起始权重。换言之，Objects365 预训练是 YOLO26 性能的一部分来源，而这些中间检查点被官方一并发布供社区复用。

使用预训练检查点：预测与微调

基于 Objects365 预训练权重做预测（365 类检测）或在其基础上微调，Python 与 CLI 两种方式如下：

# Python from ultralytics import YOLO # 加载 Objects365 预训练 YOLO26n 模型 model = YOLO("yolo26n-objv1-150.pt") # 运行预测 results = model.predict(source="image.jpg") # 从该预训练检查点开始训练（在你的数据集上） results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# CLI：使用 Objects365 预训练模型做预测 yolo detect predict source=image.jpg model=yolo26n-objv1-150.pt # CLI：从 Objects365 预训练检查点开始训练 yolo detect train data=coco8.yaml model=yolo26n-objv1-150.pt epochs=100 imgsz=640

从源码结构看，加载这些权重与加载普通yolo26n.pt走的是同一条资产下载与检查链路（GITHUB_ASSETS_NAMES白名单校验），因此不需要任何额外配置即可复用。官方训练配方文档给出的建议是：微调自己的数据集时直接从yolo26s-objv1-150.pt这类同尺寸 Objects365 权重出发，而不是从 COCO 检查点出发，因为后者只面向 80 类；完整训练参数列表见 训练模式文档，预测参数见 预测模式文档。

全量训练：在 Objects365 数据集上训练 YOLO26n

若要在整个 Objects365 数据集上从头训练（例如复现预训练阶段或扩展数据），以 100 epochs、640 图像尺寸训练 YOLO26n 为例：

# Python from ultralytics import YOLO # 加载模型（推荐加载预训练权重开始训练） model = YOLO("yolo26n.pt") # 开始训练 results = model.train(data="Objects365.yaml", epochs=100, imgsz=640)

# CLI：从预训练 *.pt 模型开始训练 yolo detect train data=Objects365.yaml model=yolo26n.pt epochs=100 imgsz=640

执行data="Objects365.yaml"时的实际链路：model.train()→ 数据校验入口check_det_dataset("Objects365.yaml")→ 解析 YAML、发现images/val不存在且autodownload开启 → 执行 YAML 内嵌下载脚本（见上文解析）→ 下载 712GB、转换标注 → 继续训练。首次运行日志会提示数据集下载目录位置。训练过程中的可调参数（epochs、imgsz、batch、patience早停等）的完整列表在 训练模式文档 中。

标注样例

Objects365 包含多样化的高分辨率图像，365 类上标注稠密，典型样本呈现真实户外/室内场景中的多目标框标注——这种 in-the-wild 密集标注风格正是其作为预训练源的说服力所在（官方文档配有样例图，可在 Objects365 数据集文档 中查看）。

引用与致谢

若在你的研究或开发工作中使用 Objects365 数据集，请引用原始论文：

@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} }

感谢创建并维护 Objects365 数据集的研究团队，该数据集是计算机视觉研究社区的重要资源。

常见问题

Objects365 用来做什么？训练与评估目标检测模型，尤其是"大词汇表预训练 + 小数据集微调"的范式：先在 365 类、174 万张图上预训练，再在任务特定的小数据集上微调。

数据规模到底多大？Ultralytics 的Objects365.yaml覆盖 365 类、1,742,289 张训练图 + 80,000 张验证图（共 1,822,289 张，无 test 划分）；上游发布版本整体报告约 200 万张图像、3000 万个边界框。

下载需要多少空间？约 712GB：345GB 压缩包 + 367GB 解压数据。首次以data="Objects365.yaml"训练时自动触发下载，脚本还会安装faster-coco-eval并转换标注，耗时较长；空间紧张时可先查看 检测数据集总览 中的小体积替代方案。

为什么选 Objects365 而不是其他预训练集？365 类词汇表 + 稠密框标注 + 真实场景多样性。官方文档引用 ICCV 2019 论文：Objects365 预训练相对 ImageNet 预训练在 COCO 上提升 5.6 个 mAP 点（42.0 vs 36.4），且 Ultralytics 已用它为全部 YOLO26 尺寸模型完成预训练阶段（训练配方文档）。

YAML 配置文件在哪？仓库内 ultralytics/cfg/datasets/Objects365.yaml，包含数据路径、365 类类别名与内嵌下载脚本，是搭建训练环境的唯一入口配置。

【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics