开源项目实战学习之YOLO11：ultralytics-cfg-datasets-Objects365、open-images-v7.yaml文件（六）-CSDN博客

本文链接：https://blog.csdn.net/qq_24452475/article/details/147520692

👉 点击关注不迷路
👉 点击关注不迷路
👉 点击关注不迷路

medical - pills.yaml
- 通常用于配置与医学药丸检测任务相关的参数和信息
Objects365.yaml
- 用于配置与 Objects365 数据集相关信息的文件。Objects365 数据集包含 365 个不同的物体类别，该文件会定义这些类别的名称和对应的索引。
open-images-v7.yaml
- 是针对 Open Images V7 数据集的配置文件，在相关的计算机视觉任务（如目标检测、图像分类等）中具有重要作用。

文章大纲

- Objects365.yaml
- open-images-v7.yaml

在 YOLO 框架中， medical-pills.yaml、Objects365.yaml、open-images-v7.yaml 均为数据集配置文件，用于告诉模型如何读取和处理特定数据集，核心作用如下：

1. 数据集路径配置
1. 类别定义：类别名称与编号映射
1. 数据划分与格式适配
- 1. 训练 / 验证 / 测试集划分：
- 1. 特殊格式处理（部分文件）：
  - 部分文件可能包含数据转换逻辑（如 open-images-v7.yaml 涉及通过 fiftyone 库将原始数据集转换为 YOLO 可识别的格式）。
总结
- 这些文件是 YOLO 模型与具体数据集之间的 “桥梁”，核心功能是告知模型 “数据在哪里” 和 “目标有哪些类别”，确保模型能正确加载数据、训练并输出符合预期的检测结果。
- 用户训练自定义数据集时，需按此格式编写自己的 dataset.yaml，定义路径和类别即可快速适配 YOLO 框架。
Open Images V7
- 由 Google 发布的大规模计算机视觉数据集，专为目标检测、图像分类、语义分割等任务设计。
- 图像总量： 约 900 万张，覆盖自然场景、日常生活、工业环境等多样化场景。
  - 190 万张密集标注图像：包含边界框、实例分割、视觉关系、本地化叙述（语音 + 文本 + 鼠标轨迹）和点标签。
  - 710 万张图像级标注：仅包含图像级分类标签（如 “动物”“交通工具”）。
- 标注类型：
  - 边界框：1600 万个，覆盖 600 个物体类别（如汽车、行人、家具），由专业标注员手工绘制，平均每张图像 8.3 个物体。
  - 实例分割：280 万个，覆盖 350 个类别（如猫、桌子、树），提供像素级轮廓。
  - 视觉关系：330 万条，描述物体间关系（如 “人骑自行车”“书在桌子上”）。
  - 本地化叙述：67.5 万条，结合语音、文本和鼠标轨迹，描述图像中的复杂场景（如 “左侧有一个红色背包，右侧是打开的笔记本电脑”）。
  - 点标签（V7 新增）：6640 万个，覆盖 5827 个类别（如 “草”“花岗岩”“砾石”），通过稀疏像素点标注实现零样本 / 少样本语义分割。
  - 图像级标签：6140 万个，覆盖 20,638 个类别（如 “晴天”“室内场景”）。
- 核心优势
  - 多任务统一标注： 同一数据集支持图像分类、目标检测、分割、视觉关系理解等任务，便于多模态模型训练。
  - 长尾类别覆盖： 包含大量罕见物体（如 “犰狳”“旱獭”）和细粒度类别（如 “红熊猫” vs “大熊猫”），提升模型泛化能力。
  - 标注质量高： 边界框和分割掩码由专业人员标注，点标签通过 “模型建议 + 人工验证” 方式生成，准确率达 90% 以上。
  - 规模庞大： 190 万密集标注图像是当前最大的目标检测 / 分割数据集之一，适合训练高性能模型。
medical-pills.yaml、Objects365.yaml、open-images-v7.yaml数据集配置文件作用简要流程图

Objects365.yaml

# 数据集根目录，相对于当前配置文件的路径
path: ../datasets/Objects365

# 训练集图像所在的相对路径，相对于数据集根目录
train: images/train

# 验证集图像所在的相对路径，相对于数据集根目录
val: images/val

# 测试集图像所在的相对路径，这里为空，表示未指定
test:

# 数据集中所有类别的名称，键为类别编号，值为类别名称
names: # 定义数据集中各类别的名称映射
  0: Person # 编号0代表“人”这个类别
  
  1: Sneakers # 编号1代表“运动鞋”
  
  2: Chair # 编号2代表“椅子”
  3: Other Shoes # 编号3代表“其他鞋子”
  4: Hat # 编号4代表“帽子”
  5: Car # 编号5代表“汽车”
  6: Lamp # 编号6代表“灯”
  
  7: Glasses # 编号7代表“眼镜”
  8: Bottle # 编号8代表“瓶子”
  9: Desk # 编号9代表“书桌”
  10: Cup # 编号10代表“杯子”
  
  11: Street Lights # 编号11代表“路灯”
  
  12: Cabinet/shelf # 编号12代表“橱柜/架子”
  13: Handbag/Satchel # 编号13代表“手提包/挎包”
  14: Bracelet # 编号14代表“手镯”
  
  15: Plate # 编号15代表“盘子”
  16: Picture/Frame # 编号16代表“图片/相框”
  17: Helmet # 编号17代表“头盔”
  18: Book # 编号18代表“书”
  19: Gloves # 编号19代表“手套”
  20: Storage box # 编号20代表“储物箱”
  21: Boat # 编号21代表“船”
  22: Leather Shoes # 编号22代表“皮鞋”
  23: Flower # 编号23代表“花”
  24: Bench # 编号24代表“长凳”
  25: Potted Plant # 编号25代表“盆栽植物”
  26: Bowl/Basin # 编号26代表“碗/盆”
  
  27: Flag # 编号27代表“旗帜”
  
  28: Pillow # 编号28代表“枕头”
  29: Boots # 编号29代表“靴子”
  30: Vase # 编号30代表“花瓶”
  31: Microphone # 编号31代表“麦克风”
  32: Necklace # 编号32代表“项链”
  33: Ring # 编号33代表“戒指”
  
  34: SUV # 编号34代表“运动型多用途汽车（SUV）”
  
  35: Wine Glass # 编号35代表“葡萄酒杯”
  36: Belt # 编号36代表“皮带”
  37: Monitor/TV # 编号37代表“显示器/电视”
  38: Backpack # 编号38代表“背包”
  39: Umbrella # 编号39代表“雨伞”
  
  40: Traffic Light # 编号40代表“交通信号灯”
  
  41: Speaker # 编号41代表“扬声器”
  
  42: Watch # 编号42代表“手表”
  43: Tie # 编号43代表“领带”
  44: Trash bin Can # 编号44代表“垃圾桶”
  45: Slippers # 编号45代表“拖鞋”
  46: Bicycle # 编号46代表“自行车”
  47: Stool # 编号47代表“凳子”
  48: Barrel/bucket # 编号48代表“桶”
  
  49: Van # 编号49代表“厢式货车”
  
  50: Couch # 编号50代表“沙发”
  51: Sandals # 编号51代表“凉鞋”
  52: Basket # 编号52代表“篮子”
  53: Drum # 编号53代表“鼓”
  54: Pen/Pencil # 编号54代表“钢笔/铅笔”
  55: Bus # 编号55代表“公交车”
  56: Wild Bird # 编号56代表“野生鸟类”
  57: High Heels # 编号57代表“高跟鞋”
  58: Motorcycle # 编号58代表“摩托车”
  59: Guitar # 编号59代表“吉他”
  60: Carpet # 编号60代表“地毯”
  
  61: Cell Phone # 编号61代表“手机”
  62: Bread # 编号62代表“面包”
  
  63: Camera # 编号63代表“相机”
  64: Canned # 编号64代表“罐头”
  65: Truck # 编号65代表“卡车”
  
  66: Traffic cone # 编号66代表“交通锥”
  67: Cymbal # 编号67代表“钹”
  68: Lifesaver # 编号68代表“救生圈”
  69: Towel # 编号69代表“毛巾”
  70: Stuffed Toy # 编号70代表“毛绒玩具”
  71: Candle # 编号71代表“蜡烛”
  72: Sailboat # 编号72代表“帆船”
  
  73: Laptop # 编号73代表“笔记本电脑”
  74: Awning # 编号74代表“遮阳篷”
  75: Bed # 编号75代表“床”
  
  76: Faucet # 编号76代表“水龙头”
  
  77: Tent # 编号77代表“帐篷”
  
  78: Horse # 编号78代表“马”
  
  79: Mirror # 编号79代表“镜子”
  80: Power outlet # 编号80代表“电源插座”
  81: Sink # 编号81代表“水槽”
  82: Apple # 编号82代表“苹果”
  83: Air Conditioner # 编号83代表“空调”
  
  84: Knife # 编号84代表“刀”
  
  85: Hockey Stick # 编号85代表“曲棍球棒”
  86: Paddle # 编号86代表“桨”
  87: Pickup Truck # 编号87代表“皮卡”
  88: Fork # 编号88代表“叉子”
  
  89: Traffic Sign # 编号89代表“交通标志”
  
  90: Balloon # 编号90代表“气球”
  91: Tripod # 编号91代表“三脚架”
  92: Dog # 编号92代表“狗”
  93: Spoon # 编号93代表“勺子”
  94: Clock # 编号94代表“时钟”
  95: Pot # 编号95代表“锅”
  
  96: Cow # 编号96代表“奶牛”
  
  97: Cake # 编号97代表“蛋糕”
  98: Dining Table # 编号98代表“餐桌”
  
  99: Sheep # 编号99代表“羊”
  
  100: Hanger # 编号100代表“衣架”
  101: Blackboard/Whiteboard # 编号101代表“黑板/白板”
  102: Napkin # 编号102代表“餐巾”
  103: Other Fish # 编号103代表“其他鱼类”
  104: Orange/Tangerine # 编号104代表“橙子/橘子”
  105: Toiletry # 编号105代表“洗漱用品”
  
  106: Keyboard # 编号106代表“键盘”
  107: Tomato # 编号107代表“番茄”
  108: Lantern # 编号108代表“灯笼”
  
  109: Machinery Vehicle # 编号109代表“机动车辆”
  
  110: Fan # 编号110代表“风扇”
  111: Green Vegetables # 编号111代表“绿色蔬菜”
  112: Banana # 编号112代表“香蕉”
  113: Baseball Glove # 编号113代表“棒球手套”
  
  114: Airplane # 编号114代表“飞机”
  115: Mouse # 编号115代表“鼠标”
  116: Train # 编号116代表“火车”
  
  117: Pumpkin # 编号117代表“南瓜”
  118: Soccer # 编号118代表“足球”
  119: Skiboard # 编号119代表“滑雪板”
  120: Luggage # 编号120代表“行李”
  121: Nightstand # 编号121代表“床头柜”
  122: Tea pot # 编号122代表“茶壶”
  123: Telephone # 编号123代表“电话”
  124: Trolley # 编号124代表“手推车”
  125: Head Phone # 编号125代表“耳机”
  126: Sports Car # 编号126代表“跑车”
  
  127: Stop Sign # 编号127代表“停车标志”
  
  128: Dessert # 编号128代表“甜点”
  129: Scooter # 编号129代表“滑板车”
  130: Stroller # 编号130代表“婴儿车”
  131: Crane # 编号131代表“起重机”
  132: Remote # 编号132代表“遥控器”
  133: Refrigerator # 编号133代表“冰箱”
  134: Oven # 编号134代表“烤箱”
  135: Lemon # 编号135代表“柠檬”
  
  136: Duck # 编号136代表“鸭子”
  137: Baseball Bat # 编号137代表“棒球棒”
  
  138: Surveillance Camera # 编号138代表“监控摄像头”
  
  139: Cat # 编号139代表“猫”
  140: Jug # 编号140代表“罐子”
  141: Broccoli # 编号141代表“西兰花”
  142: Piano # 编号142代表“钢琴”
  143: Pizza # 编号143代表“披萨”
  144: Elephant # 编号144代表“大象”
  145: Skateboard # 编号145代表“滑板”
  146: Surfboard # 编号146代表“冲浪板”
  
  147: Gun # 编号147代表“枪”
  148: Skating and Skiing shoes # 编号148代表“滑冰和滑雪鞋”
  149: Gas stove # 编号149代表“煤气灶”
  150: Donut # 编号150代表“甜甜圈”
  151: Bow Tie # 编号151代表“领结”
  152: Carrot # 编号152代表“胡萝卜”
  153: Toilet # 编号153代表“马桶”
  154: Kite # 编号154代表“风筝”
  155: Strawberry # 编号155代表“草莓”
  156: Other Balls # 编号156代表“其他球类”
  157: Shovel # 编号157代表“铲子”
  158: Pepper # 编号158代表“胡椒”
  159: Computer Box # 编号159代表“电脑机箱”
  160: Toilet Paper # 编号160代表“卫生纸”
  161: Cleaning Products # 编号161代表“清洁用品”
  
  162: Chopsticks # 编号162代表“筷子”
  163: Microwave # 编号163代表“微波炉”
  164: Pigeon # 编号164代表“鸽子”
  165: Baseball # 编号165代表“棒球”
  166: Cutting/chopping Board # 编号166代表“切菜板”
  167: Coffee Table # 编号167代表“咖啡桌”
  168: Side Table # 编号168代表“边桌”
  169: Scissors # 编号169代表“剪刀”
  170: Marker # 编号170代表“记号笔”
  171: Pie # 编号171代表“派”
  
  172: Ladder # 编号172代表“梯子”
  173: Snowboard # 编号173代表“滑雪板”
  174: Cookies # 编号174代表“饼干”
  175: Radiator # 编号175代表“散热器”
  
  176: Fire Hydrant # 编号176代表“消防栓”
  
  177: Baseball <-- 此处疑似数据重复或有误，与编号165重复，若文件无误，编号177代表“棒球”
  178: Zebra # 编号178代表“斑马”
  179: Grape # 编号179代表“葡萄”
  180: Giraffe # 编号180代表“长颈鹿”
  181: Potato # 编号181代表“土豆”
  
  182: Sausage # 编号182代表“香肠”
  183: Tricycle # 编号183代表“三轮车”
  
  184: Violin # 编号184代表“小提琴”
  185: Egg # 编号185代表“鸡蛋”
  
  186: Fire Extinguisher # 编号186代表“灭火器”
  
  187: Candy # 编号187代表“糖果”
  
  188: Fire Truck # 编号188代表“消防车”
  
  189: Billiards # 编号189代表“台球”
  190: Converter # 编号190代表“转换器”
  
  191: Bathtub # 编号191代表“浴缸”
  
  192: Wheelchair # 编号192代表“轮椅”
  193: Golf Club # 编号193代表“高尔夫球杆”
  194: Briefcase # 编号194代表“公文包”
  
  195: Cucumber # 编号195代表“黄瓜”
  196: Cigar/Cigarette # 编号196代表“雪茄/香烟”
  
  197: Paint Brush # 编号197代表“画笔”
  198: Pear # 编号198代表“梨”
	199: Heavy Truck # 编号199对应的类别是重型卡车，在相关数据集中，当检测到或涉及到重型卡车相关的实例时，会用199这个编号来标记。
	
	200: Hamburger # 编号200代表汉堡包，在图像识别等任务里，若识别出汉堡包，会以200作为其类别标识。
	201: Extractor # 编号201表示提取器，可能是各种用于提取物质或信息的设备，在数据集中属于这一类别的物体将以此编号区分。
	
	202: Extension Cord # 编号202指延长线，在对相关场景进行分析时，延长线的实例会被归类到编号202对应的类别。
	
	203: Tong # 编号203代表钳子，通常用于夹持物品的工具，在数据集中用这个编号标识钳子类物体。
	204: Tennis Racket # 编号204是网球拍，在涉及网球拍的图像或数据样本中，该物体的类别编号为204 。
	205: Folder # 编号205表示文件夹，用于存放文件纸张等的容器，数据集中文件夹类别的实例会用此编号标记。
	
	206: American Football # 编号206代表美式橄榄球，在相关数据标注中，美式橄榄球的实例将被赋予编号206。
	207: earphone # 编号207指耳机，无论是头戴式、入耳式等各种类型耳机，在数据集中都属于这个编号对应的类别。
	
	208: Mask # 编号208表示口罩或面具，在识别任务里，口罩或面具的实例会以208作为类别编号。
	209: Kettle # 编号209代表水壶，通常用于烧水或盛装液体的容器，在数据集中用这个编号标识水壶类物体。
	210: Tennis # 编号210是网球，在网球相关的图像或数据样本中，网球这一物体的类别编号为210 。
	
	211: Ship # 编号211表示船，涵盖各种类型的船只，在涉及船的图像或数据中，该物体的类别编号为211。
	
	212: Swing # 编号212代表秋千，在场景分析或图像识别中，秋千的实例会被归类到编号212对应的类别。
	213: Coffee Machine # 编号213指咖啡机，用于制作咖啡的设备，数据集中咖啡机类别的实例会用此编号标记。
	214: Slide # 编号214表示滑梯，在相关场景进行分析时，滑梯的实例会被赋予编号214。
	
	215: Carriage # 编号215代表马车或车厢，在数据标注中，马车或车厢的实例将被赋予编号215。
	
	216: Onion # 编号216指洋葱，在涉及洋葱的图像或数据样本中，洋葱这一物体的类别编号为216 。
	217: Green beans # 编号217代表青豆，在数据集中，青豆类别的实例会用编号217来标记。
	
	218: Projector # 编号218表示投影仪，在图像识别等任务里，投影仪的实例会以218作为其类别标识。
	
	219: Frisbee # 编号219指飞盘，在相关数据标注中，飞盘的实例将被赋予编号219。
	
	220: Washing Machine/Drying Machine # 编号220代表洗衣机/烘干机，在数据集中，洗衣机或烘干机的实例会用此编号标记。
	
	221: Chicken # 编号221表示鸡（活鸡或作为食物的鸡肉），在识别任务里，鸡的实例会以221作为类别编号。
	222: Printer # 编号222指打印机，用于打印文件等的设备，数据集中打印机类别的实例会用此编号标记。
	
	223: Watermelon # 编号223代表西瓜，在涉及西瓜的图像或数据样本中，西瓜这一物体的类别编号为223 。
	
	224: Saxophone # 编号224表示萨克斯管，在场景分析或图像识别中，萨克斯管的实例会被归类到编号224对应的类别。
	
	225: Tissue # 编号225指纸巾，在相关场景进行分析时，纸巾的实例会被赋予编号225。
	
	226: Toothbrush # 编号226代表牙刷，在数据标注中，牙刷的实例将被赋予编号226。
	
	227: Ice cream # 编号227表示冰淇淋，在涉及冰淇淋的图像或数据样本中，冰淇淋这一物体的类别编号为227 。
	
	228: Hot-air balloon # 编号228代表热气球，在图像识别等任务里，热气球的实例会以228作为其类别标识。
	229: Cello # 编号229表示大提琴，在相关数据标注中，大提琴的实例将被赋予编号229。
	230: French Fries # 编号230代表炸薯条，在数据集中，炸薯条类别的实例会用此编号标记。
	231: Scale # 编号231表示秤，用于测量物体重量的工具，数据集中秤类别的实例会用此编号标记。
	
	232: Trophy # 编号232代表奖杯，在识别任务里，奖杯的实例会以232作为类别编号。
	
	233: Cabbage # 编号233指卷心菜，在涉及卷心菜的图像或数据样本中，卷心菜这一物体的类别编号为233 。
	234: Hot dog # 编号234代表热狗，在相关场景进行分析时，热狗的实例会被赋予编号234。
	235: Blender # 编号235表示搅拌机，用于搅拌食物等的设备，数据集中搅拌机类别的实例会用此编号标记。
	
	236: Peach # 编号236代表桃子，在涉及桃子的图像或数据样本中，桃子这一物体的类别编号为236 。
	237: Rice # 编号237表示大米或米饭，在数据集中，大米或米饭类别的实例会用编号237来标记。
	
	238: Wallet/Purse # 编号238代表钱包，在图像识别等任务里，钱包的实例会以238作为其类别标识。
	239: Volleyball # 编号239代表排球，在相关数据标注中，排球的实例将被赋予编号239。
	240: Deer # 编号240表示鹿，在识别任务里，鹿的实例会以240作为类别编号。
	241: Goose # 编号241代表鹅，在涉及鹅的图像或数据样本中，鹅这一物体的类别编号为241 。
	242: Tape # 编号242指胶带或磁带，在相关场景进行分析时，胶带或磁带的实例会被赋予编号242。
	
	243: Tablet # 编号243表示平板电脑，在数据标注中，平板电脑的实例将被赋予编号243。
	244: Cosmetics # 编号244代表化妆品，在数据集中，化妆品类别的实例会用此编号标记。
	245: Trumpet # 编号245表示小号，在场景分析或图像识别中，小号的实例会被归类到编号245对应的类别。
	246: Pineapple # 编号246代表菠萝，在涉及菠萝的图像或数据样本中，菠萝这一物体的类别编号为246 。
	247: Golf Ball # 编号247代表高尔夫球，在相关数据标注中，高尔夫球的实例将被赋予编号247。
	
	248: Ambulance # 编号248表示救护车，在图像识别等任务里，救护车的实例会以248作为其类别标识。
	249: Parking meter # 编号249代表停车计时器，在相关场景进行分析时，停车计时器的实例会被赋予编号249。
	
	250: Mango # 编号250代表芒果，在涉及芒果的图像或数据样本中，芒果这一物体的类别编号为250 。
	251: Key # 编号251表示钥匙，在数据标注中，钥匙的实例将被赋予编号251。
	252: Hurdle # 编号252代表跨栏，在场景分析或图像识别中，跨栏的实例会被归类到编号252对应的类别。
	253: Fishing Rod # 编号253代表钓鱼竿，在相关场景进行分析时，钓鱼竿的实例会被赋予编号253。
	254: Medal # 编号254代表奖章，在数据标注中，奖章的实例将被赋予编号254。
	255: Flute # 编号255表示长笛，在场景分析或图像识别中，长笛的实例会被归类到编号255对应的类别。
	256: Brush # 编号256代表刷子，涵盖各种类型的刷子，在数据集中刷子类别的实例会用此编号标记。
	257: Penguin # 编号257代表企鹅，在识别任务里，企鹅的实例会以257作为类别编号。
	258: Megaphone # 编号258代表扩音器，在相关数据标注中，扩音器的实例将被赋予编号258。
	
	259: Corn # 编号259代表玉米，在涉及玉米的图像或数据样本中，玉米这一物体的类别编号为259 。
	260: Lettuce # 编号260代表生菜，在数据集中，生菜类别的实例会用编号260来标记。
	261: Garlic # 编号261代表大蒜，在涉及大蒜的图像或数据样本中，大蒜这一物体的类别编号为261 。
	
	262: Swan # 编号262代表天鹅，在识别任务里，天鹅的实例会以262作为类别编号。
	
	263: Helicopter # 编号263表示直升机，在相关场景进行分析时，直升机的实例会被赋予编号263。
	
	264: Green Onion # 编号264代表葱，在数据标注中，葱的实例将被赋予编号264。
	265: Sandwich # 编号265代表三明治，在数据集中，三明治类别的实例会用此编号标记。
	266: Nuts # 编号266代表坚果，在涉及坚果的图像或数据样本中，坚果这一物体的类别编号为266 。
	
	267: Speed Limit Sign # 编号267代表限速标志，在场景分析或图像识别中，限速标志的实例会被归类到编号267对应的类别。
	
	268: Induction Cooker # 编号268代表电磁炉，在相关场景进行分析时，电磁炉的实例会被赋予编号268。
	
	269: Broom # 编号269代表扫帚，在数据标注中，扫帚的实例将被赋予编号269。
	
	270: Trombone # 编号270表示长号，在场景分析或图像识别中，长号的实例会被归类到编号270对应的类别。
	271: Plum # 编号271代表李子，在涉及李子的图像或数据样本中，李子这一物体的类别编号为271 。
	272: Rickshaw # 编号272代表人力车，在相关数据标注中，人力车的实例将被赋予编号272。
	273: Goldfish # 编号273代表金鱼，在识别任务里，金鱼的实例会以273作为类别编号。
	274: Kiwi fruit # 编号274代表猕猴桃，在涉及猕猴桃的图像或数据样本中，猕猴桃这一物体的类别编号为274 。
	
	275: Router/modem # 编号275代表路由器/调制解调器，在数据集中，路由器或调制解调器类别的实例会用此编号标记。
	
	276: Poker Card # 编号276代表扑克牌，在相关场景进行分析时，扑克牌的实例会被赋予编号276。
	277: Toaster # 编号277代表烤面包机，在数据标注中，烤面包机的实例将被赋予编号277。
	
	278: Shrimp # 编号278代表虾，在涉及虾的图像或数据样本中，虾这一物体的类别编号为278 。
	
	279: Sushi # 编号279代表寿司，在数据集中，寿司类别的实例会用编号279来标记。
	280: Cheese # 编号280代表奶酪，在涉及奶酪的图像或数据样本中，奶酪这一物体的类别编号为280 。
	281: Notepaper # 编号281代表便签纸，在相关场景进行分析时，便签纸的实例会被赋予编号281。
	282: Cherry # 编号282代表樱桃，在涉及樱桃的图像或数据样本中，樱桃这一物体的类别编号为282 。
	283: Pliers # 编号283代表钳子（与编号203的“Tong”类似，可能存在不同表述或细分差异 ），在数据标注中，此类钳子的实例将被赋予编号283。
	284: CD # 编号284代表光盘，在场景分析或图像识别中，光盘的实例会被归类到编号284对应的类别。
	285: Pasta # 编号285代表意大利面，在数据集中，意大利面类别的实例会用此编号标记。
	
	286: Hammer # 编号286代表锤子，在相关场景进行分析时，锤子的实例会被赋予编号286。
	
	287: Cue # 编号287代表球杆（通常指台球杆等 ），在数据标注中，球杆的实例将被赋予编号287。
	288: Avocado # 编号288代表牛油果，在涉及牛油果的图像或数据样本中，牛油果这一物体的类别编号为288 。
	289: Hami melon # 编号289代表哈密瓜，在数据集中，哈密瓜类别的实例会用编号289来标记。
	
	290: Flask # 编号290代表烧瓶或保温瓶，在相关场景进行分析时，烧瓶或保温瓶的实例会被赋予编号290。
	
	291: Mushroom # 编号291代表蘑菇，在涉及蘑菇的图像或数据样本中，蘑菇这一物体的类别编号为291 。
	292: Screwdriver # 编号292代表螺丝刀，在数据标注中，螺丝刀的实例将被赋予编号292。
	
	293: Soap # 编号293代表肥皂，在场景分析或图像识别中，肥皂的实例会被归类到编号293对应的类别。
	
	294: Recurrent <-- 此处疑似有误，推测可能是“Recorder”（录音机 ），若按推测，编号294代表录音机，在相关场景进行分析时，录音机的实例会被赋予编号294（若原词无误，需根据实际情况确定含义 ）。
	295: Bear # 编号295代表熊，在识别任务里，熊的实例会以295作为类别编号。
	296: Eggplant # 编号296代表茄子，在涉及茄子的图像或数据样本中，茄子这一物体的类别编号为296 。
	
	297: Board Eraser # 编号297代表黑板擦，在数据标注中，黑板擦的实例将被赋予编号297。
	
	298: Coconut # 编号298代表椰子，在涉及椰子的图像或数据样本中，椰子这一物体的类别编号为298 。
	299: Tape Measure/Ruler # 编号299代表卷尺/尺子，在数据集中，卷尺或尺子类别的实例会用此编号标记。
	
	300: Pig # 编号300代表猪，在识别任务里，猪的实例会以300作为类别编号。
	
	301: Showerhead # 编号301代表淋浴喷头，在相关场景进行分析时，淋浴喷头的实例会被赋予编号301。
	302: Globe # 编号302代表地球仪，在数据标注中，地球仪的实例将被赋予编号302。
	303: Chips # 编号303代表薯片或芯片（具体含义需结合数据集实际情况确定 ），在场景分析或图像识别中，此类物体的实例会被归类到编号303对应的类别。
	
	304: Steak # 编号304代表牛排，在涉及牛排的图像或数据样本中，牛排这一物体的类别编号为304 。
	
	305: Crosswalk Sign # 编号305代表人行横道标志，在相关场景进行分析时，人行横道标志的实例会被赋予编号305。
	
	306: Stapler # 编号306代表订书机，在数据标注中，订书机的实例将被赋予编号306。
	
	307: Camel # 编号307代表骆驼，在识别任务里，骆驼的实例会以307作为类别编号。
	
	308: Formula 1 # 编号308代表一级方程式赛车，在相关数据标注中，一级方程式赛车的实例将被赋予编号308。
	309: Pomegranate # 编号309对应的类别是石榴，在相关的目标检测或分类任务中，若识别出石榴这个物体，其类别编号即为309。
	
	310: Dishwasher # 编号310代表洗碗机，当数据集中出现洗碗机相关的实例时，会用310作为该物体的类别标识。
	
	311: Crab # 编号311表示螃蟹，在处理涉及螃蟹的图像或数据样本时，螃蟹这一物体的类别编号为311 。
	
	312: Hoverboard # 编号312指悬浮滑板，在相关场景分析或图像识别中，悬浮滑板的实例会被归类到编号312对应的类别。
	313: Meatball # 编号313代表肉丸，在数据标注里，肉丸的实例将被赋予编号313。
	314: Rice Cooker # 编号314表示电饭煲，在涉及电饭煲的图像或数据中，该物体的类别编号为314。
	315: Tuba # 编号315代表大号（一种乐器），在相关数据标注中，大号的实例将被赋予编号315。
	
	316: Calculator # 编号316指计算器，在数据集中，计算器类别的实例会用编号316来标记。
	
	317: Papaya # 编号317代表木瓜，在涉及木瓜的图像或数据样本中，木瓜这一物体的类别编号为317 。
	318: Antelope # 编号318表示羚羊，在识别任务里，羚羊的实例会以318作为类别编号。
	319: Parrot # 编号319代表鹦鹉，在相关场景进行分析时，鹦鹉的实例会被赋予编号319。
	320: Seal # 编号320代表海豹，在数据标注中，海豹的实例将被赋予编号320。
	
	321: Butterfly # 编号321表示蝴蝶，在场景分析或图像识别中，蝴蝶的实例会被归类到编号321对应的类别。
	
	322: Dumbbell # 编号322代表哑铃，在相关场景进行分析时，哑铃的实例会被赋予编号322。
	
	323: Donkey # 编号323代表驴，在数据标注中，驴的实例将被赋予编号323。
	
	324: Lion # 编号324代表狮子，在识别任务里，狮子的实例会以324作为类别编号。
	325: Urinal # 编号325代表小便池，在相关数据标注中，小便池的实例将被赋予编号325。
	326: Dolphin # 编号326代表海豚，在涉及海豚的图像或数据样本中，海豚这一物体的类别编号为326 。
	
	327: Electric Drill # 编号327表示电钻，在数据集中，电钻类别的实例会用编号327来标记。
	
	328: Hair Dryer # 编号328代表吹风机，在相关场景进行分析时，吹风机的实例会被赋予编号328。
	
	329: Egg tart # 编号329代表蛋挞，在数据标注中，蛋挞的实例将被赋予编号329。
	330: Jellyfish # 编号330代表水母，在场景分析或图像识别中，水母的实例会被归类到编号330对应的类别。
	331: Treadmill # 编号331代表跑步机，在相关场景进行分析时，跑步机的实例会被赋予编号331。
	
	332: Lighter # 编号332代表打火机，在数据标注中，打火机的实例将被赋予编号332。
	
	333: Grapefruit # 编号333代表葡萄柚，在涉及葡萄柚的图像或数据样本中，葡萄柚这一物体的类别编号为333 。
	334: Game board # 编号334代表游戏板，在数据集中，游戏板类别的实例会用编号334来标记。
	335: Mop # 编号335代表拖把，在相关场景进行分析时，拖把的实例会被赋予编号335。
	336: Radish # 编号336代表萝卜，在涉及萝卜的图像或数据样本中，萝卜这一物体的类别编号为336 。
	337: Baozi # 编号337代表包子，在数据标注中，包子的实例将被赋予编号337。
	338: Target # 编号338代表靶子，在场景分析或图像识别中，靶子的实例会被归类到编号338对应的类别。
	339: French # 此处“French”单独作为类别不太明确，如果结合数据集可能表示法国相关事物，如法国面包（法棍）、法式菜肴等；也可能是录入错误，需结合实际数据集确定。
	340: Spring Rolls # 编号340代表春卷，在涉及春卷的图像或数据样本中，春卷这一物体的类别编号为340 。
	
	341: Monkey # 编号341代表猴子，在识别任务里，猴子的实例会以341作为类别编号。
	342: Rabbit # 编号342代表兔子，在相关场景进行分析时，兔子的实例会被赋予编号342。
	
	343: Pencil Case # 编号343代表铅笔盒，在数据标注中，铅笔盒的实例将被赋予编号343。
	
	344: Yak # 编号344代表牦牛，在涉及牦牛的图像或数据样本中，牦牛这一物体的类别编号为344 。
	
	345: Red Cabbage # 编号345代表紫甘蓝，在数据集中，紫甘蓝类别的实例会用编号345来标记。
	346: Binoculars # 编号346代表双筒望远镜，在相关场景进行分析时，双筒望远镜的实例会被赋予编号346。
	347: Asparagus # 编号347代表芦笋，在涉及芦笋的图像或数据样本中，芦笋这一物体的类别编号为347 。
	348: Barbell # 编号348代表杠铃，在数据标注中，杠铃的实例将被赋予编号348。
	349: Scallop # 编号349代表扇贝，在场景分析或图像识别中，扇贝的实例会被归类到编号349对应的类别。
	350: Noddles # 疑似拼写错误，应为“Noodles”，编号350代表面条，在数据集中，面条类别的实例会用编号350来标记（若原词无误，需根据实际情况确定含义 ）。
	
	351: Comb # 编号351代表梳子，在相关场景进行分析时，梳子的实例会被赋予编号351。
	352: Dumpling # 编号352代表饺子，在数据标注中，饺子的实例将被赋予编号352。
	
	353: Oyster # 编号353代表牡蛎，在场景分析或图像识别中，牡蛎的实例会被归类到编号353对应的类别。
	
	354: Table Tennis paddle # 编号354代表乒乓球拍，在涉及乒乓球拍的图像或数据样本中，乒乓球拍这一物体的类别编号为354 。
	
	355: Cosmetics Brush/Eyeliner Pencil # 编号355代表化妆刷/眼线笔，在数据集中，化妆刷或眼线笔类别的实例会用编号355来标记。
	
	356: Chainsaw # 编号356代表电锯，在相关场景进行分析时，电锯的实例会被赋予编号356。
	357: Eraser # 编号357代表橡皮擦，在数据标注中，橡皮擦的实例将被赋予编号357。
	
	358: Lobster # 编号358代表龙虾，在场景分析或图像识别中，龙虾的实例会被归类到编号358对应的类别。
	
	359: Durian # 编号359代表榴莲，在涉及榴莲的图像或数据样本中，榴莲这一物体的类别编号为359 。
	360: Okra # 编号360代表秋葵，在数据集中，秋葵类别的实例会用编号360来标记。
	361: Lipstick # 编号361代表口红，在相关场景进行分析时，口红的实例会被赋予编号361。
	
	362: Cosmetics Mirror # 编号362代表化妆镜，在数据标注中，化妆镜的实例将被赋予编号362。
	
	363: Curling # 编号363代表冰壶（运动）或卷发（造型行为），在相关数据标注中，根据数据集的具体指向，冰壶或与卷发相关物品的实例将被赋予编号363（需结合实际确定 ）。
	
	364: Table Tennis # 编号364代表乒乓球（运动或乒乓球物体 ），在涉及乒乓球运动场景或乒乓球物体的图像数据中，该实例的类别编号为364。

# 从pathlib模块导入Path类，用于处理文件路径，提供了更方便、面向对象的文件路径操作方式
from pathlib import Path

# 导入numpy库并简写成np，用于数值计算
import numpy as np

# 从tqdm库导入tqdm，用于显示进度条，直观展示任务的进度
from tqdm import tqdm

# 从ultralytics.utils.checks模块导入check_requirements函数，用于检查所需的Python库是否安装
from ultralytics.utils.checks import check_requirements

# 从ultralytics.utils.downloads模块导入download函数，用于下载文件
from ultralytics.utils.downloads import download


# 从ultralytics.utils.ops模块导入xyxy2xywhn函数，用于将边界框坐标格式从xyxy转换为xywhn（归一化的xywh格式）
from ultralytics.utils.ops import xyxy2xywhn


# 检查是否安装了pycocotools库，并且版本是否大于等于2.0，若未安装或版本不满足要求，会提示安装
check_requirements(("pycocotools>=2.0",))

# 从pycocotools.coco模块导入COCO类，用于处理COCO数据集格式的标注文件
from pycocotools.coco import COCO

# Make Directories
# 获取数据集根目录路径，从yaml配置文件中读取"path"字段的值，创建Path对象
dir = Path(yaml["path"])  

# 遍历"images"和"labels"，为每个目录创建对应的文件夹
for p in "images", "labels":

    # 创建目录，如果父目录不存在则创建，exist_ok=True表示如果目录已存在则不报错
    (dir / p).mkdir(parents=True, exist_ok=True)  
    
    # 对于每个"images"和"labels"目录，再分别创建"train"和"val"子目录
    for q in "train", "val":
        (dir / p / q).mkdir(parents=True, exist_ok=True)  

# Train, Val Splits
# 遍历训练集和验证集的相关参数，split为数据集的划分（"train"或"val"），patches为相应划分的文件块数量
for split, patches in [("train", 50 + 1), ("val", 43 + 1)]:
    # 打印当前正在处理的数据集划分和文件块数量信息
    
    print(f"Processing {split} in {patches} patches ...")  
    # 构建当前数据集划分的图像和标签目录路径
    
    images, labels = dir / "images" / split, dir / "labels" / split  

    # Download
    # 构建下载数据集文件的基础URL
    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":
        # 下载训练集的标注文件（压缩格式）到数据集根目录
        download([f"{url}zhiyuan_objv2_{split}.tar.gz"], dir=dir)  
        
        # 并行下载训练集的图像文件块到图像目录，curl=True表示使用curl进行下载，threads=8表示使用8个线程加速下载
        download([f"{url}patch{i}.tar.gz" for i in range(patches)], dir=images, curl=True, threads=8)  
        
    elif split == "val":
        # 下载验证集的标注文件（JSON格式）到数据集根目录
        download([f"{url}zhiyuan_objv2_{split}.json"], dir=dir)  
        
        # 分两部分下载验证集的图像文件块到图像目录，先下载v1部分，再下载v2部分，都使用curl和8个线程
        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
    # 遍历当前图像目录下所有的.jpg文件，tqdm用于显示进度条
    for f in tqdm(images.rglob("*.jpg"), desc=f"Moving {split} images"):
        # 将图像文件移动到当前数据集划分的图像目录下，文件名不变
        f.rename(images / f.name)  

    # Labels
    # 加载当前数据集划分的标注文件，创建COCO对象
    
    coco = COCO(dir / f"zhiyuan_objv2_{split}.json")  
    # 获取数据集中所有类别的名称
    names = [x["name"] for x in coco.loadCats(coco.getCatIds())]  
    
    # 遍历每个类别
    for cid, cat in enumerate(names):
        # 获取当前类别的类别ID
        catIds = coco.getCatIds(catNms=[cat])  
        
        # 获取包含当前类别的所有图像的ID
        imgIds = coco.getImgIds(catIds=catIds)  
        
        # 遍历包含当前类别的每一幅图像
        for im in tqdm(coco.loadImgs(imgIds), desc=f"Class {cid + 1}/{len(names)} {cat}"):
            # 获取图像的宽度和高度
            width, height = im["width"], im["height"]  
            
            # 获取图像的文件名
            path = Path(im["file_name"])  
            try:
                # 打开对应的标签文件，以追加模式写入，编码为utf-8
                with open(labels / path.with_suffix(".txt").name, "a", encoding="utf-8") as file:
                    # 获取当前图像中当前类别的所有标注ID
                    annIds = coco.getAnnIds(imgIds=im["id"], catIds=catIds, iscrowd=None)  
                    # 遍历每个标注
                    for a in coco.loadAnns(annIds):
                        # 获取标注的边界框坐标（xywh格式，左上角坐标和宽高）
                        x, y, w, h = a["bbox"]  
                        
                        # 将xywh格式转换为xyxy格式（左上角和右下角坐标），并转换为numpy数组
                        xyxy = np.array([x, y, x + w, y + h])[None]  
                        
                        # 将xyxy格式的边界框坐标转换为归一化的xywhn格式，clip=True表示裁剪超出图像边界的坐标
                        x, y, w, h = xyxy2xywhn(xyxy, w=width, h=height, clip=True)[0]  
                        
                        # 将类别ID和归一化后的边界框坐标写入标签文件
                        file.write(f"{cid} {x:.5f} {y:.5f} {w:.5f} {h:.5f}\n")  
            except Exception as e:
                # 如果在处理过程中出现异常，打印异常信息
                print(e)

open-images-v7.yaml

# 导入warnings模块，用于处理警告信息
import warnings

# 从ultralytics.utils模块中导入LOGGER（用于记录日志）、SETTINGS（包含一些设置信息）、Path（用于处理文件路径）、get_ubuntu_version（获取Ubuntu系统版本号）、is_ubuntu（判断是否为Ubuntu系统）
from ultralytics.utils import LOGGER, SETTINGS, Path, get_ubuntu_version, is_ubuntu

# 从ultralytics.utils.checks模块中导入check_requirements（检查所需的Python库是否安装）和check_version（检查库的版本号）
from ultralytics.utils.checks import check_requirements, check_version

# 检查是否安装了fiftyone库，如果未安装则提示安装
check_requirements("fiftyone")

# 判断当前系统是否为Ubuntu且版本号大于等于22.04，如果是则检查是否安装了fiftyone-db-ubuntu2204库
if is_ubuntu() and check_version(get_ubuntu_version(), ">=22.04"):
    check_requirements("fiftyone-db-ubuntu2204")

# 导入fiftyone库并简写成fo，fiftyone是一个用于计算机视觉数据集管理和分析的库
import fiftyone as fo

# 导入fiftyone.zoo模块并简写成foz，用于加载预定义的数据集
import fiftyone.zoo as foz

# 定义数据集名称为open-images-v7
name = "open-images-v7"

# 设置fiftyone库中数据集的存储目录，将其设置为ultralytics的数据集目录下的fiftyone/open-images-v7路径
fo.config.dataset_zoo_dir = Path(SETTINGS["datasets_dir"]) / "fiftyone" / name

# 设置加载数据集样本的比例，这里设置为1.0表示加载全部样本
fraction = 1.0

# 记录一条警告日志，提示Open Images V7数据集至少需要561GB的可用空间，并开始下载
LOGGER.warning("WARNING ⚠️ Open Images V7 dataset requires at least **561 GB of free space. Starting download...")

# 遍历'train'和'validation'，分别处理训练集和验证集
for split in "train", "validation":
    # 判断当前处理的是否为训练集
    train = split == "train"

    # 从fiftyone的数据集库中加载open-images-v7数据集
    dataset = foz.load_zoo_dataset(
        name,  # 数据集名称
        split=split,  # 数据集划分，'train'或'validation'
        label_types=["detections"],  # 标签类型，这里是检测任务的标签
        
        # 根据训练集或验证集的样本数量以及设定的比例，计算要加载的最大样本数
        max_samples=round((1743042 if train else 41620) * fraction)  
    )

    # 如果当前处理的是训练集，获取训练集的所有类别
    if train:
        classes = dataset.default_classes

    # 捕获警告信息，忽略fiftyone.utils.yolo模块中UserWarning类型的警告
    with warnings.catch_warnings():
        warnings.filterwarnings("ignore", category=UserWarning, module="fiftyone.utils.yolo")
        # 将加载的数据集导出为YOLOv5数据集格式
        dataset.export(
            export_dir=str(Path(SETTINGS["datasets_dir"]) / name),  # 导出目录，为ultralytics数据集目录下的open-images-v7
            dataset_type=fo.types.YOLOv5Dataset,  # 导出的数据集类型为YOLOv5数据集
            label_field="ground_truth",  # 标签字段名
            split="val" if split == "validation" else split,  # 如果是验证集则导出为val划分，否则使用原划分名称
            classes=classes,  # 数据集的类别列表（仅在训练集时有效）
            overwrite=train  # 如果是训练集则覆盖已存在的文件，否则不覆盖
        )

飞机、航空器；飞机；闹钟；羊驼；救护车；动物；蚂蚁；羚羊；苹果；犰狳；洋蓟；汽车零部件；
斧头；背包；百吉饼；烘焙食品；平衡木；球；气球；香蕉；创可贴；班卓琴；驳船；桶；棒球棒；
棒球手套；蝙蝠（动物）；浴室配件；浴室柜；浴缸；烧杯；熊；床；蜜蜂；蜂巢；啤酒；甲虫；
甜椒；皮带；长椅；自行车；自行车头盔；自行车轮；坐浴盆；广告牌；台球桌；双筒望远镜；鸟；搅拌机；
冠蓝鸦；船；炸弹；书；书架；靴子；瓶子；开瓶器；弓和箭；碗；保龄球设备；盒子；男孩；胸罩；
面包；公文包；西兰花；青铜雕塑；棕熊；建筑物；公牛；墨西哥卷饼；公共汽车；半身像；蝴蝶；卷心菜；橱柜；蛋糕；
蛋糕架；计算器；骆驼；相机；开罐器；金丝雀；蜡烛；糖果；大炮；独木舟；哈密瓜；汽车；食肉动物；胡萝卜；手推车；
卡带机；城堡；猫；猫用家具；毛毛虫；牛；吊扇；大提琴；蜈蚣；电锯；椅子；奶酪；猎豹；
五斗柜；鸡；编钟；凿子；筷子；圣诞树；时钟；壁橱；衣物；外套；鸡尾酒；鸡尾酒摇壶；
椰子；咖啡；咖啡杯；咖啡桌；咖啡机；硬币；无花果；向日葵；计算机键盘；计算机显示器；
计算机鼠标；容器；便利店；饼干；烹饪喷雾；有线电话；化妆品；沙发；台面；牛仔帽；螃蟹；
奶油；板球；鳄鱼；羊角面包；皇冠；拐杖；黄瓜；碗柜；窗帘；切菜板；匕首；乳制品；鹿；
书桌；甜点；尿布；骰子；数字时钟；恐龙；洗碗机；狗；狗床；玩偶；海豚；门；门把手；甜甜圈；蜻蜓；
抽屉；连衣裙；电钻（工具）；饮料；吸管；鼓；鸭子；哑铃；鹰；耳环；鸡蛋（食物）；大象；信封；橡皮擦；
粉饼；面巾纸盒；猎鹰；时尚配饰；快餐；传真机；软毡帽；文件柜；消防栓；壁炉；鱼；
旗帜；手电筒；花；花盆；长笛；飞盘；食物；食品加工机；橄榄球；橄榄球头盔；鞋类；叉子；喷泉；狐狸；
炸薯条；法国号；青蛙；水果；煎锅；家具；芦笋；煤气炉；长颈鹿；女孩；眼镜；手套；山羊；
护目镜；金鱼；高尔夫球；高尔夫球车；贡多拉；鹅；葡萄；葡萄柚；研磨机；鳄梨酱；吉他；吹风机；发胶；
汉堡包；锤子；仓鼠；干手器；手提包；手枪；港海豹；口琴；竖琴；羽管键琴；帽子；耳机；加热器；刺猬；
直升机；头盔；高跟鞋；徒步装备；河马；家用电器；蜂巢；单杠；马；热狗；房子；
室内植物；人的手臂；人的胡须；人体；人的耳朵；人的眼睛；人的脸；人的脚；人的头发；人的手；人的头；
人的腿；人的嘴；人的鼻子；加湿器；冰淇淋；室内划船机；婴儿床；昆虫；无脊椎动物；iPod（苹果公司音乐播放器）；等足目动物；夹克；
按摩浴缸；美洲豹（动物）；牛仔裤；水母；喷气式滑艇；罐子；果汁；袋鼠；水壶；厨房和餐厅桌子；厨房电器；
菜刀；厨房用具；厨房 ware；风筝；刀；考拉；梯子；长柄勺；瓢虫；灯；陆地车辆；灯笼；笔记本电脑；
薰衣草（植物）；柠檬；豹；电灯泡；电灯开关；灯塔；百合；豪华轿车；狮子；口红；蜥蜴；龙虾；
双人沙发；行李和包；猞猁；喜鹊；哺乳动物；男人；芒果；枫树；沙球；海洋无脊椎动物；海洋哺乳动物；量杯；
机械风扇；医疗设备；麦克风；微波炉；牛奶；迷你裙；镜子；导弹；搅拌器；搅拌碗；移动电话；
猴子；蛾和蝴蝶；摩托车；老鼠；松饼；马克杯；骡子；蘑菇；乐器；音乐键盘
钉子（建筑用）、项链、床头柜、双簧管、办公楼、办公用品、橙子、管风琴（乐器）、鸵鸟、
水獭、烤箱、猫头鹰、牡蛎、桨、棕榈树、煎饼、熊猫、裁纸刀、纸巾、降落伞、停车计时器、鹦鹉、意大利面、
糕点、桃子、梨、钢笔、铅笔盒、卷笔刀、企鹅、香水、人、个人护理用品
个人漂浮装置、钢琴、野餐篮、相框、猪、枕头、菠萝、水罐（容器）、披萨、披萨刀、
植物、塑料袋、盘子、大浅盘、管道装置、北极熊、石榴、爆米花、门廊、豪猪、海报、土豆、
电源插头和插座、高压锅、椒盐卷饼、打印机、南瓜、沙袋、兔子、浣熊、球拍、萝卜、棘轮（装置）、
渡鸦、魟鱼和鳐鱼、小熊猫、冰箱、遥控器、爬行动物、犀牛、步枪、活页夹、火箭、旱冰鞋、玫瑰、
橄榄球、尺子、沙拉、盐和胡椒瓶、凉鞋、三明治、茶碟、萨克斯管、秤、围巾、剪刀、记分牌、蝎子、
螺丝刀、雕塑、海狮、海龟、海鲜、海马、安全带、平衡车、托盘、缝纫机、鲨鱼、羊、架子、
贝类、衬衫、短裤、猎枪、淋浴器、虾、水槽、滑板、滑雪板、裙子、头骨、臭鼬、摩天大楼、慢炖锅、小吃、蜗牛、
蛇、滑雪板、雪人、雪地摩托、扫雪机、肥皂分配器、袜子、沙发床、宽边帽、麻雀、锅铲、调味架、蜘蛛、
勺子、体育器材、运动制服、南瓜（植物）、鱿鱼、松鼠、楼梯、订书机、海星、健身自行车、听诊器、
凳子、停车标志、草莓、路灯、担架、摄影棚长沙发、潜艇、潜艇三明治（长潜艇形三明治）、套装、手提箱、太阳帽、太阳镜、
冲浪板、寿司、天鹅、游泳帽、游泳池、泳衣、剑、注射器、桌子、乒乓球拍、平板电脑、餐具、
墨西哥玉米卷、坦克、水龙头、果馅饼、出租车、茶、茶壶、泰迪熊、电话、电视、网球、网球拍、帐篷、冠状头饰、蜱虫、领带、
老虎、罐头、轮胎、烤面包机、马桶、卫生纸、番茄、工具、牙刷、手电筒、乌龟、毛巾、塔、玩具、交通信号灯、
交通标志、火车、训练长椅、跑步机、树、树屋、三脚架、长号、裤子、卡车、小号、火鸡、海龟、
雨伞、独轮车、厢式货车、花瓶、蔬菜、车辆、车牌、小提琴、排球（球）、华夫饼、华夫饼烤盘、
挂钟、衣柜、洗衣机、垃圾桶、手表、船只、西瓜、武器、鲸鱼、轮子、轮椅、打蛋器、白板、柳树、窗户、百叶窗、葡萄酒、葡萄酒杯、酒架、冬瓜、炒锅、女人、烧木柴的炉子、
啄木鸟、虫子、扳手、斑马、西葫芦