مجموعة بيانات Argoverse
مجموعة بيانات Argoverse من Ultralytics (Argoverse-HD) هي مجموعة بيانات ثنائية الأبعاد لـكشف الكائنات، تضم 54,446 صورة موسومة للقيادة الذاتية — 39,384 للتدريب و15,062 للتحقق — موزعة على 8 فئات: شخص ودراجة هوائية وسيارة ودراجة نارية وحافلة وشاحنة وإشارة مرور وإشارة توقف. التُقطت الصور بكاميرا أمامية مركزية حلقية على مركبة، وتأتي التعليقات التوضيحية من مشروع الإدراك المتدفق في جامعة Carnegie Mellon، المبني على بيانات القيادة Argoverse 1.1 من Argo AI. وهي مقياس مرجعي واسع النطاق من العالم الحقيقي لتدريب نماذج الرؤية الحاسوبية على كشف عناصر الطريق في سيناريوهات القيادة الذاتية.
استكشف Argoverse-HD على منصة Ultralytics لمعاينة عينات مشروحة، وفحص إحصاءات مجموعة البيانات، واستنساخها للتدريب.
استخدم Python 3.11 أو إصدارًا أحدث، واضبط ULTRALYTICS_API_KEY على مفتاح من إعدادات المنصة. مرّر عنوان URL لمجموعة بيانات Argoverse بوصفه data لتنزيل الصور وإعداد تسميات YOLO تلقائيًا. ينزّل التكوين Argoverse.yaml أيضًا من المنصة عند عدم وجود مجموعة البيانات محليًا.
الميزات الرئيسية#
- 8 فئات لاكتشاف الكائنات: شخص ودراجة وسيارة ودراجة نارية وحافلة وشاحنة وإشارة مرور وإشارة توقف.
- 54,446 صورة موسومة — 39,384 للتدريب و15,062 للتحقق — بالإضافة إلى مجموعة اختبار غير موسومة مخصصة لـتحدي eval.ai.
- إطارات كاميرا أمامية مركزية 1920 × 1200 التُقطت في مشاهد قيادة ذاتية حضرية.
- تُحوّل التعليقات التوضيحية تلقائيًا إلى تنسيق YOLO عند الاستخدام الأول، لذا تُدرّب مجموعة البيانات مباشرةً باستخدام نماذج Ultralytics YOLO لاكتشاف الكائنات.
بنية مجموعة البيانات#
تحافظ مجموعة بيانات Argoverse-HD على المنصة على المجموعات الفرعية الثلاث المحددة مسبقًا:
| المجموعة الفرعية | الصور | التسميات |
|---|---|---|
| التدريب | 39,384 | نعم |
| التحقق | 15,062 | نعم |
| الاختبار | 12,507 | بلا تسميات (تحدي eval.ai) |
تشترك جميع الصور في فئات الكائنات الثماني نفسها (الفهارس من 0 إلى 7): شخص، دراجة، سيارة، دراجة نارية، حافلة، شاحنة، إشارة مرور، وإشارة قف.
تنزّل Ultralytics مجموعة البيانات من المنصة وتحول تعليقاتها التوضيحية تلقائيًا إلى تسميات YOLO للكشف، لذا لا حاجة إلى المعالجة المسبقة يدويًا.
التطبيقات#
تدعم مجموعة بيانات Argoverse-HD نطاقًا من تطبيقات كشف الكائنات في القيادة الذاتية:
- الإدراك في السيارات ذاتية القيادة — اكتشاف المركبات والمشاة وراكبي الدراجات باستخدام كاميرا أمامية لدعم توجيه المركبات ذاتية القيادة.
- أنظمة مساعدة السائق المتقدمة (ADAS) — التعرّف على إشارات المرور وإشارات قف لإصدار تنبيهات للسائق في الوقت الفعلي.
- مراقبة حركة المرور — إحصاء مستخدمي الطريق وتتبعهم في المشاهد الحضرية لإجراء تحليلات المدن الذكية.
- البحث والنمذجة الأولية — معيار مرجعي كبير من العالم الحقيقي لتعلّم تدريب النماذج والتنبؤ باستخدام بيانات القيادة.
ملف YAML لمجموعة البيانات#
يحدد ملف YAML إعدادات مجموعة البيانات، بما في ذلك المسارات والفئات والتفاصيل الأخرى ذات الصلة. وبالنسبة إلى مجموعة بيانات Argoverse، تتم صيانة الملف Argoverse.yaml في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Argoverse-HD dataset (ring-front-center camera) by Argo AI: https://www.cs.cmu.edu/~mengtial/proj/streaming/
# Documentation: https://docs.ultralytics.com/datasets/detect/argoverse
# Example usage: yolo train data=Argoverse.yaml
# Download: https://platform.ultralytics.com/ultralytics/datasets/argoverse (requires ULTRALYTICS_API_KEY)
# parent
# ├── ultralytics
# └── datasets
# └── Argoverse ← existing local dataset
# 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: Argoverse # dataset root dir
train: Argoverse-1.1/images/train/ # train images (relative to 'path') 39384 images
val: Argoverse-1.1/images/val/ # val images (relative to 'path') 15062 images
test: Argoverse-1.1/images/test/ # test images (optional) https://eval.ai/web/challenges/challenge-page/800/overview
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: bus
5: truck
6: traffic_light
7: stop_sign
# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
from ultralytics.data.utils import check_det_dataset, convert_ndjson_to_yolo_if_needed
data = convert_ndjson_to_yolo_if_needed("https://platform.ultralytics.com/ultralytics/datasets/argoverse")
yaml.update(check_det_dataset(data))الاستخدام#
لتدريب نموذج YOLO26n على مجموعة بيانات Argoverse لمدة 100 حقبة وبحجم صورة 640، استخدم عينات التعليمات البرمجية التالية.
from ultralytics import YOLO
# تحميل نموذج
model = YOLO("yolo26n.pt") # تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)
# تدريب النموذج
results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)بعد التدريب، نفّذ الاستدلال على صور أو مقاطع فيديو جديدة للقيادة باستخدام النموذج المضبوط بدقة:
from ultralytics import YOLO
# تحميل نموذج
model = YOLO("path/to/best.pt") # حمّل نموذج Argoverse محسّن الضبط
# الاستدلال باستخدام النموذج
results = model.predict("path/to/driving-scene.jpg")البيانات النموذجية والتعليقات التوضيحية#
تحتوي مجموعة بيانات Argoverse-HD على صور قيادة عالية الدقة التُقطت بكاميرا مركزية أمامية حلقية، مع تعليقات توضيحية لمربعات إحاطة ثنائية الأبعاد لفئات الكائنات الثماني. فيما يلي صورة نموذجية من مجموعة البيانات مع التعليقات التوضيحية المقابلة لها:

- مشهد قيادة موضح: تعرض هذه الصورة كائنات على الطريق — مثل المركبات والمشاة — موسومة بمربعات إحاطة ثنائية الأبعاد، وهي التنسيق الذي تتعلم نماذج YOLO التنبؤ به أثناء التدريب.
الاستشهادات والشكر والتقدير#
تأتي تعليقات الكشف ثنائية الأبعاد التوضيحية لمجموعة Argoverse-HD المستخدمة في مجموعة البيانات هذه من أعمال الإدراك المتدفق في جامعة كارنيغي ميلون. يُرجى الاستشهاد بما يلي عند استخدام مجموعة البيانات في أبحاثكم أو أعمال التطوير:
@inproceedings{li2020towards,
title={Towards Streaming Perception},
author={Li, Mengtian and Wang, Yu-Xiong and Ramanan, Deva},
booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
pages={473--488},
year={2020}
}
@inproceedings{chang2019argoverse,
title={Argoverse: 3D Tracking and Forecasting with Rich Maps},
author={Chang, Ming-Fang and Lambert, John and Sangkloy, Patsorn and Singh, Jagjeet and Bak, Slawomir and Hartnett, Andrew and Wang, Dequan and Carr, Peter and Lucey, Simon and Ramanan, Deva and others},
booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
pages={8748--8757},
year={2019}
}نتوجه بالشكر إلى جامعة كارنيغي ميلون على تعليقات الكشف التوضيحية لمجموعة Argoverse-HD، وإلى Argo AI لإنشاء مجموعة بيانات Argoverse الأصلية بوصفها موردًا قيّمًا لمجتمع أبحاث القيادة الذاتية.
الأسئلة الشائعة#
مجموعة بيانات Argoverse من Ultralytics (Argoverse-HD) هي مجموعة كشف كائنات ثنائية الأبعاد تضم 54,446 صورة للقيادة الذاتية موزعة على 8 فئات — شخص، دراجة، سيارة، دراجة نارية، حافلة، شاحنة، إشارة مرور، وإشارة قف. وتُستخدم لتدريب النماذج وتقييمها في اكتشاف كائنات الطريق من كاميرا أمامية في المركبة، مما يدعم أبحاث الإدراك في السيارات ذاتية القيادة وأنظمة ADAS ومراقبة حركة المرور.
تضم مجموعة بيانات Argoverse-HD 8 فئات (شخص، دراجة، سيارة، دراجة نارية، حافلة، شاحنة، إشارة مرور، وإشارة قف) و54,446 صورة موسومة — 39,384 صورة للتدريب و15,062 صورة للتحقق — بالإضافة إلى مجموعة اختبار بلا تسميات مخصصة لتحدي eval.ai.
في Ultralytics، هي مجموعة بيانات لكشف الكائنات ثنائي الأبعاد (إطارات كاميرا Argoverse-HD مع مربعات إحاطة ثنائية الأبعاد)، وليست مجموعة أبحاث التتبع ثلاثي الأبعاد أو التنبؤ بالحركة أو LiDAR ضمن برنامج Argoverse الأوسع. ويمكنك تدريبها باستخدام نموذج كشف قياسي مثل
yolo26n.pt.اضبط
ULTRALYTICS_API_KEYوابدأ التدريب مباشرةً من عنوان URL لمجموعة البيانات على المنصة:مثالfrom ultralytics import YOLO # تحميل نموذج model = YOLO("yolo26n.pt") # تحميل نموذج مدرّب مسبقًا (موصى به للتدريب) # تدريب النموذج results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)للاطلاع على شرح مفصل للوسائط، راجع صفحة التدريب الخاصة بالنموذج.
نزّل Argoverse من منصة Ultralytics. يمكنك تمرير عنوان URL هذا مباشرةً بوصفه وسيطة التدريب
dataبعد ضبطULTRALYTICS_API_KEY؛ إذ تنزّل Ultralytics مجموعة البيانات وتُعدّ تسميات YOLO الخاصة بها تلقائيًا.نعم. افتح Argoverse-HD على منصة Ultralytics لاستكشاف صورها وتعليقاتها التوضيحية، واستنساخها، وتدريب نماذج الكشف عن الكائنات سحابيًا. يمكنك أيضًا تصفح مجموعات البيانات ذات الصلة في نظرة عامة على مجموعات بيانات الكشف.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.



