👉 點擊關注不迷路
👉 點擊關注不迷路
👉 點擊關注不迷路

---

• medical - pills.yaml
  • 通常用于配置與醫學藥丸檢測任務相關的參數和信息
• Objects365.yaml
  • 用于配置與 Objects365 數據集相關信息的文件。Objects365 數據集包含 365 個不同的物體類別，該文件會定義這些類別的名稱和對應的索引。
• open-images-v7.yaml
  • 是針對 Open Images V7 數據集的配置文件，在相關的計算機視覺任務（如目標檢測、圖像分類等）中具有重要作用。

在 YOLO 框架中， medical-pills.yaml、Objects365.yaml、open-images-v7.yaml 均為 數據集配置文件，用于告訴模型如何讀取和處理特定數據集，核心作用如下：

• 1. 數據集路徑配置
• 2. 類別定義： 類別名稱與編號映射
• 3. 數據劃分與格式適配
  • 4. 訓練 / 驗證 / 測試集劃分：
  • 5. 特殊格式處理（部分文件）：
    • 部分文件可能包含數據轉換邏輯（如 open-images-v7.yaml 涉及通過 fiftyone 庫將原始數據集轉換為 YOLO 可識別的格式）。

• 總結

  • 這些文件是 YOLO 模型與具體數據集之間的 “橋梁”，核心功能是 告知模型 “數據在哪里” 和 “目標有哪些類別”，確保模型能正確加載數據、訓練并輸出符合預期的檢測結果。
  • 用戶訓練自定義數據集時，需按此格式編寫自己的 dataset.yaml，定義路徑和類別即可快速適配 YOLO 框架。

• Open Images V7

  • 由 Google 發布的大規模計算機視覺數據集，專為目標檢測、圖像分類、語義分割等任務設計。
  • 圖像總量： 約 900 萬張，覆蓋自然場景、日常生活、工業環境等多樣化場景。
    • 190 萬張密集標注圖像：包含邊界框、實例分割、視覺關系、本地化敘述（語音 + 文本 + 鼠標軌跡）和點標簽。
    • 710 萬張圖像級標注：僅包含圖像級分類標簽（如 “動物”“交通工具”）。
  • 標注類型：
    • 邊界框：1600 萬個，覆蓋 600 個物體類別（如汽車、行人、家具），由專業標注員手工繪制，平均每張圖像 8.3 個物體。
    • 實例分割：280 萬個，覆蓋 350 個類別（如貓、桌子、樹），提供像素級輪廓。
    • 視覺關系：330 萬條，描述物體間關系（如 “人騎自行車”“書在桌子上”）。
    • 本地化敘述：67.5 萬條，結合語音、文本和鼠標軌跡，描述圖像中的復雜場景（如 “左側有一個紅色背包，右側是打開的筆記本電腦”）。
    • 點標簽（V7 新增）：6640 萬個，覆蓋 5827 個類別（如 “草”“花崗巖”“礫石”），通過稀疏像素點標注實現零樣本 / 少樣本語義分割。
    • 圖像級標簽：6140 萬個，覆蓋 20,638 個類別（如 “晴天”“室內場景”）。
  • 核心優勢
    • 多任務統一標注： 同一數據集支持圖像分類、目標檢測、分割、視覺關系理解等任務，便于多模態模型訓練。
    • 長尾類別覆蓋： 包含大量罕見物體（如 “犰狳”“旱獺”）和細粒度類別（如 “紅熊貓” vs “大熊貓”），提升模型泛化能力。
    • 標注質量高： 邊界框和分割掩碼由專業人員標注，點標簽通過 “模型建議 + 人工驗證” 方式生成，準確率達 90% 以上。
    • 規模龐大： 190 萬密集標注圖像是當前最大的目標檢測 / 分割數據集之一，適合訓練高性能模型。

• medical-pills.yaml、Objects365.yaml、open-images-v7.yaml數據集配置文件作用簡要流程圖
  

Objects365.yaml

• # 數據集根目錄，相對于當前配置文件的路徑
  path: ../datasets/Objects365# 訓練集圖像所在的相對路徑，相對于數據集根目錄
  train: images/train# 驗證集圖像所在的相對路徑，相對于數據集根目錄
  val: images/val# 測試集圖像所在的相對路徑，這里為空，表示未指定
  test:# 數據集中所有類別的名稱，鍵為類別編號，值為類別名稱
  names: # 定義數據集中各類別的名稱映射0: Person # 編號0代表“人”這個類別1: Sneakers # 編號1代表“運動鞋”2: Chair # 編號2代表“椅子”3: Other Shoes # 編號3代表“其他鞋子”4: Hat # 編號4代表“帽子”5: Car # 編號5代表“汽車”6: Lamp # 編號6代表“燈”7: Glasses # 編號7代表“眼鏡”8: Bottle # 編號8代表“瓶子”9: Desk # 編號9代表“書桌”10: Cup # 編號10代表“杯子”11: Street Lights # 編號11代表“路燈”12: Cabinet/shelf # 編號12代表“櫥柜/架子”13: Handbag/Satchel # 編號13代表“手提包/挎包”14: Bracelet # 編號14代表“手鐲”15: Plate # 編號15代表“盤子”16: Picture/Frame # 編號16代表“圖片/相框”17: Helmet # 編號17代表“頭盔”18: Book # 編號18代表“書”19: Gloves # 編號19代表“手套”20: Storage box # 編號20代表“儲物箱”21: Boat # 編號21代表“船”22: Leather Shoes # 編號22代表“皮鞋”23: Flower # 編號23代表“花”24: Bench # 編號24代表“長凳”25: Potted Plant # 編號25代表“盆栽植物”26: Bowl/Basin # 編號26代表“碗/盆”27: Flag # 編號27代表“旗幟”28: Pillow # 編號28代表“枕頭”29: Boots # 編號29代表“靴子”30: Vase # 編號30代表“花瓶”31: Microphone # 編號31代表“麥克風”32: Necklace # 編號32代表“項鏈”33: Ring # 編號33代表“戒指”34: SUV # 編號34代表“運動型多用途汽車（SUV）”35: Wine Glass # 編號35代表“葡萄酒杯”36: Belt # 編號36代表“皮帶”37: Monitor/TV # 編號37代表“顯示器/電視”38: Backpack # 編號38代表“背包”39: Umbrella # 編號39代表“雨傘”40: Traffic Light # 編號40代表“交通信號燈”41: Speaker # 編號41代表“揚聲器”42: Watch # 編號42代表“手表”43: Tie # 編號43代表“領帶”44: Trash bin Can # 編號44代表“垃圾桶”45: Slippers # 編號45代表“拖鞋”46: Bicycle # 編號46代表“自行車”47: Stool # 編號47代表“凳子”48: Barrel/bucket # 編號48代表“桶”49: Van # 編號49代表“廂式貨車”50: Couch # 編號50代表“沙發”51: Sandals # 編號51代表“涼鞋”52: Basket # 編號52代表“籃子”53: Drum # 編號53代表“鼓”54: Pen/Pencil # 編號54代表“鋼筆/鉛筆”55: Bus # 編號55代表“公交車”56: Wild Bird # 編號56代表“野生鳥類”57: High Heels # 編號57代表“高跟鞋”58: Motorcycle # 編號58代表“摩托車”59: Guitar # 編號59代表“吉他”60: Carpet # 編號60代表“地毯”61: Cell Phone # 編號61代表“手機”62: Bread # 編號62代表“面包”63: Camera # 編號63代表“相機”64: Canned # 編號64代表“罐頭”65: Truck # 編號65代表“卡車”66: Traffic cone # 編號66代表“交通錐”67: Cymbal # 編號67代表“鈸”68: Lifesaver # 編號68代表“救生圈”69: Towel # 編號69代表“毛巾”70: Stuffed Toy # 編號70代表“毛絨玩具”71: Candle # 編號71代表“蠟燭”72: Sailboat # 編號72代表“帆船”73: Laptop # 編號73代表“筆記本電腦”74: Awning # 編號74代表“遮陽篷”75: Bed # 編號75代表“床”76: Faucet # 編號76代表“水龍頭”77: Tent # 編號77代表“帳篷”78: Horse # 編號78代表“馬”79: Mirror # 編號79代表“鏡子”80: Power outlet # 編號80代表“電源插座”81: Sink # 編號81代表“水槽”82: Apple # 編號82代表“蘋果”83: Air Conditioner # 編號83代表“空調”84: Knife # 編號84代表“刀”85: Hockey Stick # 編號85代表“曲棍球棒”86: Paddle # 編號86代表“槳”87: Pickup Truck # 編號87代表“皮卡”88: Fork # 編號88代表“叉子”89: Traffic Sign # 編號89代表“交通標志”90: Balloon # 編號90代表“氣球”91: Tripod # 編號91代表“三腳架”92: Dog # 編號92代表“狗”93: Spoon # 編號93代表“勺子”94: Clock # 編號94代表“時鐘”95: Pot # 編號95代表“鍋”96: Cow # 編號96代表“奶牛”97: Cake # 編號97代表“蛋糕”98: Dining Table # 編號98代表“餐桌”99: Sheep # 編號99代表“羊”100: Hanger # 編號100代表“衣架”101: Blackboard/Whiteboard # 編號101代表“黑板/白板”102: Napkin # 編號102代表“餐巾”103: Other Fish # 編號103代表“其他魚類”104: Orange/Tangerine # 編號104代表“橙子/橘子”105: Toiletry # 編號105代表“洗漱用品”106: Keyboard # 編號106代表“鍵盤”107: Tomato # 編號107代表“番茄”108: Lantern # 編號108代表“燈籠”109: Machinery Vehicle # 編號109代表“機動車輛”110: Fan # 編號110代表“風扇”111: Green Vegetables # 編號111代表“綠色蔬菜”112: Banana # 編號112代表“香蕉”113: Baseball Glove # 編號113代表“棒球手套”114: Airplane # 編號114代表“飛機”115: Mouse # 編號115代表“鼠標”116: Train # 編號116代表“火車”117: Pumpkin # 編號117代表“南瓜”118: Soccer # 編號118代表“足球”119: Skiboard # 編號119代表“滑雪板”120: Luggage # 編號120代表“行李”121: Nightstand # 編號121代表“床頭柜”122: Tea pot # 編號122代表“茶壺”123: Telephone # 編號123代表“電話”124: Trolley # 編號124代表“手推車”125: Head Phone # 編號125代表“耳機”126: Sports Car # 編號126代表“跑車”127: Stop Sign # 編號127代表“停車標志”128: Dessert # 編號128代表“甜點”129: Scooter # 編號129代表“滑板車”130: Stroller # 編號130代表“嬰兒車”131: Crane # 編號131代表“起重機”132: Remote # 編號132代表“遙控器”133: Refrigerator # 編號133代表“冰箱”134: Oven # 編號134代表“烤箱”135: Lemon # 編號135代表“檸檬”136: Duck # 編號136代表“鴨子”137: Baseball Bat # 編號137代表“棒球棒”138: Surveillance Camera # 編號138代表“監控攝像頭”139: Cat # 編號139代表“貓”140: Jug # 編號140代表“罐子”141: Broccoli # 編號141代表“西蘭花”142: Piano # 編號142代表“鋼琴”143: Pizza # 編號143代表“披薩”144: Elephant # 編號144代表“大象”145: Skateboard # 編號145代表“滑板”146: Surfboard # 編號146代表“沖浪板”147: Gun # 編號147代表“槍”148: Skating and Skiing shoes # 編號148代表“滑冰和滑雪鞋”149: Gas stove # 編號149代表“煤氣灶”150: Donut # 編號150代表“甜甜圈”151: Bow Tie # 編號151代表“領結”152: Carrot # 編號152代表“胡蘿卜”153: Toilet # 編號153代表“馬桶”154: Kite # 編號154代表“風箏”155: Strawberry # 編號155代表“草莓”156: Other Balls # 編號156代表“其他球類”157: Shovel # 編號157代表“鏟子”158: Pepper # 編號158代表“胡椒”159: Computer Box # 編號159代表“電腦機箱”160: Toilet Paper # 編號160代表“衛生紙”161: Cleaning Products # 編號161代表“清潔用品”162: Chopsticks # 編號162代表“筷子”163: Microwave # 編號163代表“微波爐”164: Pigeon # 編號164代表“鴿子”165: Baseball # 編號165代表“棒球”166: Cutting/chopping Board # 編號166代表“切菜板”167: Coffee Table # 編號167代表“咖啡桌”168: Side Table # 編號168代表“邊桌”169: Scissors # 編號169代表“剪刀”170: Marker # 編號170代表“記號筆”171: Pie # 編號171代表“派”172: Ladder # 編號172代表“梯子”173: Snowboard # 編號173代表“滑雪板”174: Cookies # 編號174代表“餅干”175: Radiator # 編號175代表“散熱器”176: Fire Hydrant # 編號176代表“消防栓”177: Baseball <-- 此處疑似數據重復或有誤，與編號165重復，若文件無誤，編號177代表“棒球”178: Zebra # 編號178代表“斑馬”179: Grape # 編號179代表“葡萄”180: Giraffe # 編號180代表“長頸鹿”181: Potato # 編號181代表“土豆”182: Sausage # 編號182代表“香腸”183: Tricycle # 編號183代表“三輪車”184: Violin # 編號184代表“小提琴”185: Egg # 編號185代表“雞蛋”186: Fire Extinguisher # 編號186代表“滅火器”187: Candy # 編號187代表“糖果”188: Fire Truck # 編號188代表“消防車”189: Billiards # 編號189代表“臺球”190: Converter # 編號190代表“轉換器”191: Bathtub # 編號191代表“浴缸”192: Wheelchair # 編號192代表“輪椅”193: Golf Club # 編號193代表“高爾夫球桿”194: Briefcase # 編號194代表“公文包”195: Cucumber # 編號195代表“黃瓜”196: Cigar/Cigarette # 編號196代表“雪茄/香煙”197: Paint Brush # 編號197代表“畫筆”198: Pear # 編號198代表“梨”199: Heavy Truck # 編號199對應的類別是重型卡車，在相關數據集中，當檢測到或涉及到重型卡車相關的實例時，會用199這個編號來標記。200: Hamburger # 編號200代表漢堡包，在圖像識別等任務里，若識別出漢堡包，會以200作為其類別標識。201: Extractor # 編號201表示提取器，可能是各種用于提取物質或信息的設備，在數據集中屬于這一類別的物體將以此編號區分。202: Extension Cord # 編號202指延長線，在對相關場景進行分析時，延長線的實例會被歸類到編號202對應的類別。203: Tong # 編號203代表鉗子，通常用于夾持物品的工具，在數據集中用這個編號標識鉗子類物體。204: Tennis Racket # 編號204是網球拍，在涉及網球拍的圖像或數據樣本中，該物體的類別編號為204 。205: Folder # 編號205表示文件夾，用于存放文件紙張等的容器，數據集中文件夾類別的實例會用此編號標記。206: American Football # 編號206代表美式橄欖球，在相關數據標注中，美式橄欖球的實例將被賦予編號206。207: earphone # 編號207指耳機，無論是頭戴式、入耳式等各種類型耳機，在數據集中都屬于這個編號對應的類別。208: Mask # 編號208表示口罩或面具，在識別任務里，口罩或面具的實例會以208作為類別編號。209: Kettle # 編號209代表水壺，通常用于燒水或盛裝液體的容器，在數據集中用這個編號標識水壺類物體。210: Tennis # 編號210是網球，在網球相關的圖像或數據樣本中，網球這一物體的類別編號為210 。211: Ship # 編號211表示船，涵蓋各種類型的船只，在涉及船的圖像或數據中，該物體的類別編號為211。212: Swing # 編號212代表秋千，在場景分析或圖像識別中，秋千的實例會被歸類到編號212對應的類別。213: Coffee Machine # 編號213指咖啡機，用于制作咖啡的設備，數據集中咖啡機類別的實例會用此編號標記。214: Slide # 編號214表示滑梯，在相關場景進行分析時，滑梯的實例會被賦予編號214。215: Carriage # 編號215代表馬車或車廂，在數據標注中，馬車或車廂的實例將被賦予編號215。216: Onion # 編號216指洋蔥，在涉及洋蔥的圖像或數據樣本中，洋蔥這一物體的類別編號為216 。217: Green beans # 編號217代表青豆，在數據集中，青豆類別的實例會用編號217來標記。218: Projector # 編號218表示投影儀，在圖像識別等任務里，投影儀的實例會以218作為其類別標識。219: Frisbee # 編號219指飛盤，在相關數據標注中，飛盤的實例將被賦予編號219。220: Washing Machine/Drying Machine # 編號220代表洗衣機/烘干機，在數據集中，洗衣機或烘干機的實例會用此編號標記。221: Chicken # 編號221表示雞（活雞或作為食物的雞肉），在識別任務里，雞的實例會以221作為類別編號。222: Printer # 編號222指打印機，用于打印文件等的設備，數據集中打印機類別的實例會用此編號標記。223: Watermelon # 編號223代表西瓜，在涉及西瓜的圖像或數據樣本中，西瓜這一物體的類別編號為223 。224: Saxophone # 編號224表示薩克斯管，在場景分析或圖像識別中，薩克斯管的實例會被歸類到編號224對應的類別。225: Tissue # 編號225指紙巾，在相關場景進行分析時，紙巾的實例會被賦予編號225。226: Toothbrush # 編號226代表牙刷，在數據標注中，牙刷的實例將被賦予編號226。227: Ice cream # 編號227表示冰淇淋，在涉及冰淇淋的圖像或數據樣本中，冰淇淋這一物體的類別編號為227 。228: Hot-air balloon # 編號228代表熱氣球，在圖像識別等任務里，熱氣球的實例會以228作為其類別標識。229: Cello # 編號229表示大提琴，在相關數據標注中，大提琴的實例將被賦予編號229。230: French Fries # 編號230代表炸薯條，在數據集中，炸薯條類別的實例會用此編號標記。231: Scale # 編號231表示秤，用于測量物體重量的工具，數據集中秤類別的實例會用此編號標記。232: Trophy # 編號232代表獎杯，在識別任務里，獎杯的實例會以232作為類別編號。233: Cabbage # 編號233指卷心菜，在涉及卷心菜的圖像或數據樣本中，卷心菜這一物體的類別編號為233 。234: Hot dog # 編號234代表熱狗，在相關場景進行分析時，熱狗的實例會被賦予編號234。235: Blender # 編號235表示攪拌機，用于攪拌食物等的設備，數據集中攪拌機類別的實例會用此編號標記。236: Peach # 編號236代表桃子，在涉及桃子的圖像或數據樣本中，桃子這一物體的類別編號為236 。237: Rice # 編號237表示大米或米飯，在數據集中，大米或米飯類別的實例會用編號237來標記。238: Wallet/Purse # 編號238代表錢包，在圖像識別等任務里，錢包的實例會以238作為其類別標識。239: Volleyball # 編號239代表排球，在相關數據標注中，排球的實例將被賦予編號239。240: Deer # 編號240表示鹿，在識別任務里，鹿的實例會以240作為類別編號。241: Goose # 編號241代表鵝，在涉及鵝的圖像或數據樣本中，鵝這一物體的類別編號為241 。242: Tape # 編號242指膠帶或磁帶，在相關場景進行分析時，膠帶或磁帶的實例會被賦予編號242。243: Tablet # 編號243表示平板電腦，在數據標注中，平板電腦的實例將被賦予編號243。244: Cosmetics # 編號244代表化妝品，在數據集中，化妝品類別的實例會用此編號標記。245: Trumpet # 編號245表示小號，在場景分析或圖像識別中，小號的實例會被歸類到編號245對應的類別。246: Pineapple # 編號246代表菠蘿，在涉及菠蘿的圖像或數據樣本中，菠蘿這一物體的類別編號為246 。247: Golf Ball # 編號247代表高爾夫球，在相關數據標注中，高爾夫球的實例將被賦予編號247。248: Ambulance # 編號248表示救護車，在圖像識別等任務里，救護車的實例會以248作為其類別標識。249: Parking meter # 編號249代表停車計時器，在相關場景進行分析時，停車計時器的實例會被賦予編號249。250: Mango # 編號250代表芒果，在涉及芒果的圖像或數據樣本中，芒果這一物體的類別編號為250 。251: Key # 編號251表示鑰匙，在數據標注中，鑰匙的實例將被賦予編號251。252: Hurdle # 編號252代表跨欄，在場景分析或圖像識別中，跨欄的實例會被歸類到編號252對應的類別。253: Fishing Rod # 編號253代表釣魚竿，在相關場景進行分析時，釣魚竿的實例會被賦予編號253。254: Medal # 編號254代表獎章，在數據標注中，獎章的實例將被賦予編號254。255: Flute # 編號255表示長笛，在場景分析或圖像識別中，長笛的實例會被歸類到編號255對應的類別。256: Brush # 編號256代表刷子，涵蓋各種類型的刷子，在數據集中刷子類別的實例會用此編號標記。257: Penguin # 編號257代表企鵝，在識別任務里，企鵝的實例會以257作為類別編號。258: Megaphone # 編號258代表擴音器，在相關數據標注中，擴音器的實例將被賦予編號258。259: Corn # 編號259代表玉米，在涉及玉米的圖像或數據樣本中，玉米這一物體的類別編號為259 。260: Lettuce # 編號260代表生菜，在數據集中，生菜類別的實例會用編號260來標記。261: Garlic # 編號261代表大蒜，在涉及大蒜的圖像或數據樣本中，大蒜這一物體的類別編號為261 。262: Swan # 編號262代表天鵝，在識別任務里，天鵝的實例會以262作為類別編號。263: Helicopter # 編號263表示直升機，在相關場景進行分析時，直升機的實例會被賦予編號263。264: Green Onion # 編號264代表蔥，在數據標注中，蔥的實例將被賦予編號264。265: Sandwich # 編號265代表三明治，在數據集中，三明治類別的實例會用此編號標記。266: Nuts # 編號266代表堅果，在涉及堅果的圖像或數據樣本中，堅果這一物體的類別編號為266 。267: Speed Limit Sign # 編號267代表限速標志，在場景分析或圖像識別中，限速標志的實例會被歸類到編號267對應的類別。268: Induction Cooker # 編號268代表電磁爐，在相關場景進行分析時，電磁爐的實例會被賦予編號268。269: Broom # 編號269代表掃帚，在數據標注中，掃帚的實例將被賦予編號269。270: Trombone # 編號270表示長號，在場景分析或圖像識別中，長號的實例會被歸類到編號270對應的類別。271: Plum # 編號271代表李子，在涉及李子的圖像或數據樣本中，李子這一物體的類別編號為271 。272: Rickshaw # 編號272代表人力車，在相關數據標注中，人力車的實例將被賦予編號272。273: Goldfish # 編號273代表金魚，在識別任務里，金魚的實例會以273作為類別編號。274: Kiwi fruit # 編號274代表獼猴桃，在涉及獼猴桃的圖像或數據樣本中，獼猴桃這一物體的類別編號為274 。275: Router/modem # 編號275代表路由器/調制解調器，在數據集中，路由器或調制解調器類別的實例會用此編號標記。276: Poker Card # 編號276代表撲克牌，在相關場景進行分析時，撲克牌的實例會被賦予編號276。277: Toaster # 編號277代表烤面包機，在數據標注中，烤面包機的實例將被賦予編號277。278: Shrimp # 編號278代表蝦，在涉及蝦的圖像或數據樣本中，蝦這一物體的類別編號為278 。279: Sushi # 編號279代表壽司，在數據集中，壽司類別的實例會用編號279來標記。280: Cheese # 編號280代表奶酪，在涉及奶酪的圖像或數據樣本中，奶酪這一物體的類別編號為280 。281: Notepaper # 編號281代表便簽紙，在相關場景進行分析時，便簽紙的實例會被賦予編號281。282: Cherry # 編號282代表櫻桃，在涉及櫻桃的圖像或數據樣本中，櫻桃這一物體的類別編號為282 。283: Pliers # 編號283代表鉗子（與編號203的“Tong”類似，可能存在不同表述或細分差異 ），在數據標注中，此類鉗子的實例將被賦予編號283。284: CD # 編號284代表光盤，在場景分析或圖像識別中，光盤的實例會被歸類到編號284對應的類別。285: Pasta # 編號285代表意大利面，在數據集中，意大利面類別的實例會用此編號標記。286: Hammer # 編號286代表錘子，在相關場景進行分析時，錘子的實例會被賦予編號286。287: Cue # 編號287代表球桿（通常指臺球桿等 ），在數據標注中，球桿的實例將被賦予編號287。288: Avocado # 編號288代表牛油果，在涉及牛油果的圖像或數據樣本中，牛油果這一物體的類別編號為288 。289: Hami melon # 編號289代表哈密瓜，在數據集中，哈密瓜類別的實例會用編號289來標記。290: Flask # 編號290代表燒瓶或保溫瓶，在相關場景進行分析時，燒瓶或保溫瓶的實例會被賦予編號290。291: Mushroom # 編號291代表蘑菇，在涉及蘑菇的圖像或數據樣本中，蘑菇這一物體的類別編號為291 。292: Screwdriver # 編號292代表螺絲刀，在數據標注中，螺絲刀的實例將被賦予編號292。293: Soap # 編號293代表肥皂，在場景分析或圖像識別中，肥皂的實例會被歸類到編號293對應的類別。294: Recurrent <-- 此處疑似有誤，推測可能是“Recorder”（錄音機 ），若按推測，編號294代表錄音機，在相關場景進行分析時，錄音機的實例會被賦予編號294（若原詞無誤，需根據實際情況確定含義 ）。295: Bear # 編號295代表熊，在識別任務里，熊的實例會以295作為類別編號。296: Eggplant # 編號296代表茄子，在涉及茄子的圖像或數據樣本中，茄子這一物體的類別編號為296 。297: Board Eraser # 編號297代表黑板擦，在數據標注中，黑板擦的實例將被賦予編號297。298: Coconut # 編號298代表椰子，在涉及椰子的圖像或數據樣本中，椰子這一物體的類別編號為298 。299: Tape Measure/Ruler # 編號299代表卷尺/尺子，在數據集中，卷尺或尺子類別的實例會用此編號標記。300: Pig # 編號300代表豬，在識別任務里，豬的實例會以300作為類別編號。301: Showerhead # 編號301代表淋浴噴頭，在相關場景進行分析時，淋浴噴頭的實例會被賦予編號301。302: Globe # 編號302代表地球儀，在數據標注中，地球儀的實例將被賦予編號302。303: Chips # 編號303代表薯片或芯片（具體含義需結合數據集實際情況確定 ），在場景分析或圖像識別中，此類物體的實例會被歸類到編號303對應的類別。304: Steak # 編號304代表牛排，在涉及牛排的圖像或數據樣本中，牛排這一物體的類別編號為304 。305: Crosswalk Sign # 編號305代表人行橫道標志，在相關場景進行分析時，人行橫道標志的實例會被賦予編號305。306: Stapler # 編號306代表訂書機，在數據標注中，訂書機的實例將被賦予編號306。307: Camel # 編號307代表駱駝，在識別任務里，駱駝的實例會以307作為類別編號。308: Formula 1 # 編號308代表一級方程式賽車，在相關數據標注中，一級方程式賽車的實例將被賦予編號308。309: Pomegranate # 編號309對應的類別是石榴，在相關的目標檢測或分類任務中，若識別出石榴這個物體，其類別編號即為309。310: Dishwasher # 編號310代表洗碗機，當數據集中出現洗碗機相關的實例時，會用310作為該物體的類別標識。311: Crab # 編號311表示螃蟹，在處理涉及螃蟹的圖像或數據樣本時，螃蟹這一物體的類別編號為311 。312: Hoverboard # 編號312指懸浮滑板，在相關場景分析或圖像識別中，懸浮滑板的實例會被歸類到編號312對應的類別。313: Meatball # 編號313代表肉丸，在數據標注里，肉丸的實例將被賦予編號313。314: Rice Cooker # 編號314表示電飯煲，在涉及電飯煲的圖像或數據中，該物體的類別編號為314。315: Tuba # 編號315代表大號（一種樂器），在相關數據標注中，大號的實例將被賦予編號315。316: Calculator # 編號316指計算器，在數據集中，計算器類別的實例會用編號316來標記。317: Papaya # 編號317代表木瓜，在涉及木瓜的圖像或數據樣本中，木瓜這一物體的類別編號為317 。318: Antelope # 編號318表示羚羊，在識別任務里，羚羊的實例會以318作為類別編號。319: Parrot # 編號319代表鸚鵡，在相關場景進行分析時，鸚鵡的實例會被賦予編號319。320: Seal # 編號320代表海豹，在數據標注中，海豹的實例將被賦予編號320。321: Butterfly # 編號321表示蝴蝶，在場景分析或圖像識別中，蝴蝶的實例會被歸類到編號321對應的類別。322: Dumbbell # 編號322代表啞鈴，在相關場景進行分析時，啞鈴的實例會被賦予編號322。323: Donkey # 編號323代表驢，在數據標注中，驢的實例將被賦予編號323。324: Lion # 編號324代表獅子，在識別任務里，獅子的實例會以324作為類別編號。325: Urinal # 編號325代表小便池，在相關數據標注中，小便池的實例將被賦予編號325。326: Dolphin # 編號326代表海豚，在涉及海豚的圖像或數據樣本中，海豚這一物體的類別編號為326 。327: Electric Drill # 編號327表示電鉆，在數據集中，電鉆類別的實例會用編號327來標記。328: Hair Dryer # 編號328代表吹風機，在相關場景進行分析時，吹風機的實例會被賦予編號328。329: Egg tart # 編號329代表蛋撻，在數據標注中，蛋撻的實例將被賦予編號329。330: Jellyfish # 編號330代表水母，在場景分析或圖像識別中，水母的實例會被歸類到編號330對應的類別。331: Treadmill # 編號331代表跑步機，在相關場景進行分析時，跑步機的實例會被賦予編號331。332: Lighter # 編號332代表打火機，在數據標注中，打火機的實例將被賦予編號332。333: Grapefruit # 編號333代表葡萄柚，在涉及葡萄柚的圖像或數據樣本中，葡萄柚這一物體的類別編號為333 。334: Game board # 編號334代表游戲板，在數據集中，游戲板類別的實例會用編號334來標記。335: Mop # 編號335代表拖把，在相關場景進行分析時，拖把的實例會被賦予編號335。336: Radish # 編號336代表蘿卜，在涉及蘿卜的圖像或數據樣本中，蘿卜這一物體的類別編號為336 。337: Baozi # 編號337代表包子，在數據標注中，包子的實例將被賦予編號337。338: Target # 編號338代表靶子，在場景分析或圖像識別中，靶子的實例會被歸類到編號338對應的類別。339: French # 此處“French”單獨作為類別不太明確，如果結合數據集可能表示法國相關事物，如法國面包（法棍）、法式菜肴等；也可能是錄入錯誤，需結合實際數據集確定。340: Spring Rolls # 編號340代表春卷，在涉及春卷的圖像或數據樣本中，春卷這一物體的類別編號為340 。341: Monkey # 編號341代表猴子，在識別任務里，猴子的實例會以341作為類別編號。342: Rabbit # 編號342代表兔子，在相關場景進行分析時，兔子的實例會被賦予編號342。343: Pencil Case # 編號343代表鉛筆盒，在數據標注中，鉛筆盒的實例將被賦予編號343。344: Yak # 編號344代表牦牛，在涉及牦牛的圖像或數據樣本中，牦牛這一物體的類別編號為344 。345: Red Cabbage # 編號345代表紫甘藍，在數據集中，紫甘藍類別的實例會用編號345來標記。346: Binoculars # 編號346代表雙筒望遠鏡，在相關場景進行分析時，雙筒望遠鏡的實例會被賦予編號346。347: Asparagus # 編號347代表蘆筍，在涉及蘆筍的圖像或數據樣本中，蘆筍這一物體的類別編號為347 。348: Barbell # 編號348代表杠鈴，在數據標注中，杠鈴的實例將被賦予編號348。349: Scallop # 編號349代表扇貝，在場景分析或圖像識別中，扇貝的實例會被歸類到編號349對應的類別。350: Noddles # 疑似拼寫錯誤，應為“Noodles”，編號350代表面條，在數據集中，面條類別的實例會用編號350來標記（若原詞無誤，需根據實際情況確定含義 ）。351: Comb # 編號351代表梳子，在相關場景進行分析時，梳子的實例會被賦予編號351。352: Dumpling # 編號352代表餃子，在數據標注中，餃子的實例將被賦予編號352。353: Oyster # 編號353代表牡蠣，在場景分析或圖像識別中，牡蠣的實例會被歸類到編號353對應的類別。354: Table Tennis paddle # 編號354代表乒乓球拍，在涉及乒乓球拍的圖像或數據樣本中，乒乓球拍這一物體的類別編號為354 。355: Cosmetics Brush/Eyeliner Pencil # 編號355代表化妝刷/眼線筆，在數據集中，化妝刷或眼線筆類別的實例會用編號355來標記。356: Chainsaw # 編號356代表電鋸，在相關場景進行分析時，電鋸的實例會被賦予編號356。357: Eraser # 編號357代表橡皮擦，在數據標注中，橡皮擦的實例將被賦予編號357。358: Lobster # 編號358代表龍蝦，在場景分析或圖像識別中，龍蝦的實例會被歸類到編號358對應的類別。359: Durian # 編號359代表榴蓮，在涉及榴蓮的圖像或數據樣本中，榴蓮這一物體的類別編號為359 。360: Okra # 編號360代表秋葵，在數據集中，秋葵類別的實例會用編號360來標記。361: Lipstick # 編號361代表口紅，在相關場景進行分析時，口紅的實例會被賦予編號361。362: Cosmetics Mirror # 編號362代表化妝鏡，在數據標注中，化妝鏡的實例將被賦予編號362。363: Curling # 編號363代表冰壺（運動）或卷發（造型行為），在相關數據標注中，根據數據集的具體指向，冰壺或與卷發相關物品的實例將被賦予編號363（需結合實際確定 ）。364: Table Tennis # 編號364代表乒乓球（運動或乒乓球物體 ），在涉及乒乓球運動場景或乒乓球物體的圖像數據中，該實例的類別編號為364。# 從pathlib模塊導入Path類，用于處理文件路徑，提供了更方便、面向對象的文件路徑操作方式
  from pathlib import Path# 導入numpy庫并簡寫成np，用于數值計算
  import numpy as np# 從tqdm庫導入tqdm，用于顯示進度條，直觀展示任務的進度
  from tqdm import tqdm# 從ultralytics.utils.checks模塊導入check_requirements函數，用于檢查所需的Python庫是否安裝
  from ultralytics.utils.checks import check_requirements# 從ultralytics.utils.downloads模塊導入download函數，用于下載文件
  from ultralytics.utils.downloads import download# 從ultralytics.utils.ops模塊導入xyxy2xywhn函數，用于將邊界框坐標格式從xyxy轉換為xywhn（歸一化的xywh格式）
  from ultralytics.utils.ops import xyxy2xywhn# 檢查是否安裝了pycocotools庫，并且版本是否大于等于2.0，若未安裝或版本不滿足要求，會提示安裝
  check_requirements(("pycocotools>=2.0",))# 從pycocotools.coco模塊導入COCO類，用于處理COCO數據集格式的標注文件
  from pycocotools.coco import COCO# Make Directories
  # 獲取數據集根目錄路徑，從yaml配置文件中讀取"path"字段的值，創建Path對象
  dir = Path(yaml["path"])  # 遍歷"images"和"labels"，為每個目錄創建對應的文件夾
  for p in "images", "labels":# 創建目錄，如果父目錄不存在則創建，exist_ok=True表示如果目錄已存在則不報錯(dir / p).mkdir(parents=True, exist_ok=True)  # 對于每個"images"和"labels"目錄，再分別創建"train"和"val"子目錄for q in "train", "val":(dir / p / q).mkdir(parents=True, exist_ok=True)  # Train, Val Splits
  # 遍歷訓練集和驗證集的相關參數，split為數據集的劃分（"train"或"val"），patches為相應劃分的文件塊數量
  for split, patches in [("train", 50 + 1), ("val", 43 + 1)]:# 打印當前正在處理的數據集劃分和文件塊數量信息print(f"Processing {split} in {patches} patches ...")  # 構建當前數據集劃分的圖像和標簽目錄路徑images, labels = dir / "images" / split, dir / "labels" / split  # Download# 構建下載數據集文件的基礎URLurl = f"https://dorc.ks3-cn-beijing.ksyun.com/data-set/2020Objects365%E6%95%B0%E6%8D%AE%E9%9B%86/{split}/"  if split == "train":# 下載訓練集的標注文件（壓縮格式）到數據集根目錄download([f"{url}zhiyuan_objv2_{split}.tar.gz"], dir=dir)  # 并行下載訓練集的圖像文件塊到圖像目錄，curl=True表示使用curl進行下載，threads=8表示使用8個線程加速下載download([f"{url}patch{i}.tar.gz" for i in range(patches)], dir=images, curl=True, threads=8)  elif split == "val":# 下載驗證集的標注文件（JSON格式）到數據集根目錄download([f"{url}zhiyuan_objv2_{split}.json"], dir=dir)  # 分兩部分下載驗證集的圖像文件塊到圖像目錄，先下載v1部分，再下載v2部分，都使用curl和8個線程download([f"{url}images/v1/patch{i}.tar.gz" for i in range(15 + 1)], dir=images, curl=True, threads=8)  download([f"{url}images/v2/patch{i}.tar.gz" for i in range(16, patches)], dir=images, curl=True, threads=8)  # Move# 遍歷當前圖像目錄下所有的.jpg文件，tqdm用于顯示進度條for f in tqdm(images.rglob("*.jpg"), desc=f"Moving {split} images"):# 將圖像文件移動到當前數據集劃分的圖像目錄下，文件名不變f.rename(images / f.name)  # Labels# 加載當前數據集劃分的標注文件，創建COCO對象coco = COCO(dir / f"zhiyuan_objv2_{split}.json")  # 獲取數據集中所有類別的名稱names = [x["name"] for x in coco.loadCats(coco.getCatIds())]  # 遍歷每個類別for cid, cat in enumerate(names):# 獲取當前類別的類別IDcatIds = coco.getCatIds(catNms=[cat])  # 獲取包含當前類別的所有圖像的IDimgIds = coco.getImgIds(catIds=catIds)  # 遍歷包含當前類別的每一幅圖像for im in tqdm(coco.loadImgs(imgIds), desc=f"Class {cid + 1}/{len(names)} {cat}"):# 獲取圖像的寬度和高度width, height = im["width"], im["height"]  # 獲取圖像的文件名path = Path(im["file_name"])  try:# 打開對應的標簽文件，以追加模式寫入，編碼為utf-8with open(labels / path.with_suffix(".txt").name, "a", encoding="utf-8") as file:# 獲取當前圖像中當前類別的所有標注IDannIds = coco.getAnnIds(imgIds=im["id"], catIds=catIds, iscrowd=None)  # 遍歷每個標注for a in coco.loadAnns(annIds):# 獲取標注的邊界框坐標（xywh格式，左上角坐標和寬高）x, y, w, h = a["bbox"]  # 將xywh格式轉換為xyxy格式（左上角和右下角坐標），并轉換為numpy數組xyxy = np.array([x, y, x + w, y + h])[None]  # 將xyxy格式的邊界框坐標轉換為歸一化的xywhn格式，clip=True表示裁剪超出圖像邊界的坐標x, y, w, h = xyxy2xywhn(xyxy, w=width, h=height, clip=True)[0]  # 將類別ID和歸一化后的邊界框坐標寫入標簽文件file.write(f"{cid} {x:.5f} {y:.5f} {w:.5f} {h:.5f}\n")  except Exception as e:# 如果在處理過程中出現異常，打印異常信息print(e)  
  

open-images-v7.yaml

• # 導入warnings模塊，用于處理警告信息
  import warnings# 從ultralytics.utils模塊中導入LOGGER（用于記錄日志）、SETTINGS（包含一些設置信息）、Path（用于處理文件路徑）、get_ubuntu_version（獲取Ubuntu系統版本號）、is_ubuntu（判斷是否為Ubuntu系統）
  from ultralytics.utils import LOGGER, SETTINGS, Path, get_ubuntu_version, is_ubuntu# 從ultralytics.utils.checks模塊中導入check_requirements（檢查所需的Python庫是否安裝）和check_version（檢查庫的版本號）
  from ultralytics.utils.checks import check_requirements, check_version# 檢查是否安裝了fiftyone庫，如果未安裝則提示安裝
  check_requirements("fiftyone")# 判斷當前系統是否為Ubuntu且版本號大于等于22.04，如果是則檢查是否安裝了fiftyone-db-ubuntu2204庫
  if is_ubuntu() and check_version(get_ubuntu_version(), ">=22.04"):check_requirements("fiftyone-db-ubuntu2204")# 導入fiftyone庫并簡寫成fo，fiftyone是一個用于計算機視覺數據集管理和分析的庫
  import fiftyone as fo# 導入fiftyone.zoo模塊并簡寫成foz，用于加載預定義的數據集
  import fiftyone.zoo as foz# 定義數據集名稱為open-images-v7
  name = "open-images-v7"# 設置fiftyone庫中數據集的存儲目錄，將其設置為ultralytics的數據集目錄下的fiftyone/open-images-v7路徑
  fo.config.dataset_zoo_dir = Path(SETTINGS["datasets_dir"]) / "fiftyone" / name# 設置加載數據集樣本的比例，這里設置為1.0表示加載全部樣本
  fraction = 1.0# 記錄一條警告日志，提示Open Images V7數據集至少需要561GB的可用空間，并開始下載
  LOGGER.warning("WARNING ?? Open Images V7 dataset requires at least **561 GB of free space. Starting download...")# 遍歷'train'和'validation'，分別處理訓練集和驗證集
  for split in "train", "validation":# 判斷當前處理的是否為訓練集train = split == "train"# 從fiftyone的數據集庫中加載open-images-v7數據集dataset = foz.load_zoo_dataset(name,  # 數據集名稱split=split,  # 數據集劃分，'train'或'validation'label_types=["detections"],  # 標簽類型，這里是檢測任務的標簽# 根據訓練集或驗證集的樣本數量以及設定的比例，計算要加載的最大樣本數max_samples=round((1743042 if train else 41620) * fraction)  )# 如果當前處理的是訓練集，獲取訓練集的所有類別if train:classes = dataset.default_classes# 捕獲警告信息，忽略fiftyone.utils.yolo模塊中UserWarning類型的警告with warnings.catch_warnings():warnings.filterwarnings("ignore", category=UserWarning, module="fiftyone.utils.yolo")# 將加載的數據集導出為YOLOv5數據集格式dataset.export(export_dir=str(Path(SETTINGS["datasets_dir"]) / name),  # 導出目錄，為ultralytics數據集目錄下的open-images-v7dataset_type=fo.types.YOLOv5Dataset,  # 導出的數據集類型為YOLOv5數據集label_field="ground_truth",  # 標簽字段名split="val" if split == "validation" else split,  # 如果是驗證集則導出為val劃分，否則使用原劃分名稱classes=classes,  # 數據集的類別列表（僅在訓練集時有效）overwrite=train  # 如果是訓練集則覆蓋已存在的文件，否則不覆蓋)
  

• 飛機、航空器；飛機；鬧鐘；羊駝；救護車；動物；螞蟻；羚羊；蘋果；犰狳；洋薊；汽車零部件；
  斧頭；背包；百吉餅；烘焙食品；平衡木；球；氣球；香蕉；創可貼；班卓琴；駁船；桶；棒球棒；
• 棒球手套；蝙蝠（動物）；浴室配件；浴室柜；浴缸；燒杯；熊；床；蜜蜂；蜂巢；啤酒；甲蟲；
  甜椒；皮帶；長椅；自行車；自行車頭盔；自行車輪；坐浴盆；廣告牌；臺球桌；雙筒望遠鏡；鳥；攪拌機；
• 冠藍鴉；船；炸彈；書；書架；靴子；瓶子；開瓶器；弓和箭；碗；保齡球設備；盒子；男孩；胸罩；
• 面包；公文包；西蘭花；青銅雕塑；棕熊；建筑物；公牛；墨西哥卷餅；公共汽車；半身像；蝴蝶；卷心菜；櫥柜；蛋糕；
• 蛋糕架；計算器；駱駝；相機；開罐器；金絲雀；蠟燭；糖果；大炮；獨木舟；哈密瓜；汽車；食肉動物；胡蘿卜；手推車；
• 卡帶機；城堡；貓；貓用家具；毛毛蟲；牛；吊扇；大提琴；蜈蚣；電鋸；椅子；奶酪；獵豹；
• 五斗柜；雞；編鐘；鑿子；筷子；圣誕樹；時鐘；壁櫥；衣物；外套；雞尾酒；雞尾酒搖壺；
• 椰子；咖啡；咖啡杯；咖啡桌；咖啡機；硬幣；無花果；向日葵；計算機鍵盤；計算機顯示器；
• 計算機鼠標；容器；便利店；餅干；烹飪噴霧；有線電話；化妝品；沙發；臺面；牛仔帽；螃蟹；
• 奶油；板球；鱷魚；羊角面包；皇冠；拐杖；黃瓜；碗柜；窗簾；切菜板；匕首；乳制品；鹿；
• 書桌；甜點；尿布；骰子；數字時鐘；恐龍；洗碗機；狗；狗床；玩偶；海豚；門；門把手；甜甜圈；蜻蜓；
• 抽屜；連衣裙；電鉆（工具）；飲料；吸管；鼓；鴨子；啞鈴；鷹；耳環；雞蛋（食物）；大象；信封；橡皮擦；
• 粉餅；面巾紙盒；獵鷹；時尚配飾；快餐；傳真機；軟氈帽；文件柜；消防栓；壁爐；魚；
• 旗幟；手電筒；花；花盆；長笛；飛盤；食物；食品加工機；橄欖球；橄欖球頭盔；鞋類；叉子；噴泉；狐貍；
• 炸薯條；法國號；青蛙；水果；煎鍋；家具；蘆筍；煤氣爐；長頸鹿；女孩；眼鏡；手套；山羊；
• 護目鏡；金魚；高爾夫球；高爾夫球車；貢多拉；鵝；葡萄；葡萄柚；研磨機；鱷梨醬；吉他；吹風機；發膠；
• 漢堡包；錘子；倉鼠；干手器；手提包；手槍；港海豹；口琴；豎琴；羽管鍵琴；帽子；耳機；加熱器；刺猬；
• 直升機；頭盔；高跟鞋；徒步裝備；河馬；家用電器；蜂巢；單杠；馬；熱狗；房子；
• 室內植物；人的手臂；人的胡須；人體；人的耳朵；人的眼睛；人的臉；人的腳；人的頭發；人的手；人的頭；
• 人的腿；人的嘴；人的鼻子；加濕器；冰淇淋；室內劃船機；嬰兒床；昆蟲；無脊椎動物；iPod（蘋果公司音樂播放器）；等足目動物；夾克；
• 按摩浴缸；美洲豹（動物）；牛仔褲；水母；噴氣式滑艇；罐子；果汁；袋鼠；水壺；廚房和餐廳桌子；廚房電器；
• 菜刀；廚房用具；廚房 ware；風箏；刀；考拉；梯子；長柄勺；瓢蟲；燈；陸地車輛；燈籠；筆記本電腦；
• 薰衣草（植物）；檸檬；豹；電燈泡；電燈開關；燈塔；百合；豪華轎車；獅子；口紅；蜥蜴；龍蝦；
• 雙人沙發；行李和包；猞猁；喜鵲；哺乳動物；男人；芒果；楓樹；沙球；海洋無脊椎動物；海洋哺乳動物；量杯；
• 機械風扇；醫療設備；麥克風；微波爐；牛奶；迷你裙；鏡子；導彈；攪拌器；攪拌碗；移動電話；
• 猴子；蛾和蝴蝶；摩托車；老鼠；松餅；馬克杯；騾子；蘑菇；樂器；音樂鍵盤
• 釘子（建筑用）、項鏈、床頭柜、雙簧管、辦公樓、辦公用品、橙子、管風琴（樂器）、鴕鳥、
• 水獺、烤箱、貓頭鷹、牡蠣、槳、棕櫚樹、煎餅、熊貓、裁紙刀、紙巾、降落傘、停車計時器、鸚鵡、意大利面、
• 糕點、桃子、梨、鋼筆、鉛筆盒、卷筆刀、企鵝、香水、人、個人護理用品
• 個人漂浮裝置、鋼琴、野餐籃、相框、豬、枕頭、菠蘿、水罐（容器）、披薩、披薩刀、
• 植物、塑料袋、盤子、大淺盤、管道裝置、北極熊、石榴、爆米花、門廊、豪豬、海報、土豆、
• 電源插頭和插座、高壓鍋、椒鹽卷餅、打印機、南瓜、沙袋、兔子、浣熊、球拍、蘿卜、棘輪（裝置）、
• 渡鴉、魟魚和鰩魚、小熊貓、冰箱、遙控器、爬行動物、犀牛、步槍、活頁夾、火箭、旱冰鞋、玫瑰、
• 橄欖球、尺子、沙拉、鹽和胡椒瓶、涼鞋、三明治、茶碟、薩克斯管、秤、圍巾、剪刀、記分牌、蝎子、
• 螺絲刀、雕塑、海獅、海龜、海鮮、海馬、安全帶、平衡車、托盤、縫紉機、鯊魚、羊、架子、
• 貝類、襯衫、短褲、獵槍、淋浴器、蝦、水槽、滑板、滑雪板、裙子、頭骨、臭鼬、摩天大樓、慢燉鍋、小吃、蝸牛、
• 蛇、滑雪板、雪人、雪地摩托、掃雪機、肥皂分配器、襪子、沙發床、寬邊帽、麻雀、鍋鏟、調味架、蜘蛛、
• 勺子、體育器材、運動制服、南瓜（植物）、魷魚、松鼠、樓梯、訂書機、海星、健身自行車、聽診器、
• 凳子、停車標志、草莓、路燈、擔架、攝影棚長沙發、潛艇、潛艇三明治（長潛艇形三明治）、套裝、手提箱、太陽帽、太陽鏡、
• 沖浪板、壽司、天鵝、游泳帽、游泳池、泳衣、劍、注射器、桌子、乒乓球拍、平板電腦、餐具、
• 墨西哥玉米卷、坦克、水龍頭、果餡餅、出租車、茶、茶壺、泰迪熊、電話、電視、網球、網球拍、帳篷、冠狀頭飾、蜱蟲、領帶、
• 老虎、罐頭、輪胎、烤面包機、馬桶、衛生紙、番茄、工具、牙刷、手電筒、烏龜、毛巾、塔、玩具、交通信號燈、
• 交通標志、火車、訓練長椅、跑步機、樹、樹屋、三腳架、長號、褲子、卡車、小號、火雞、海龜、
• 雨傘、獨輪車、廂式貨車、花瓶、蔬菜、車輛、車牌、小提琴、排球（球）、華夫餅、華夫餅烤盤、
• 掛鐘、衣柜、洗衣機、垃圾桶、手表、船只、西瓜、武器、鯨魚、輪子、輪椅、打蛋器、白板、柳樹、窗戶、百葉窗、葡萄酒、葡萄酒杯、酒架、冬瓜、炒鍋、女人、燒木柴的爐子、
• 啄木鳥、蟲子、扳手、斑馬、西葫蘆