Argoverse-Datensatz

Der Argoverse-Datensatz ist eine Datensammlung zur Unterstützung der Forschung im Bereich autonomes Fahren, etwa für 3D-Tracking, Bewegungsvorhersage und Stereo-Tiefenschätzung. Der von Argo AI entwickelte Datensatz bietet eine große Bandbreite an qualitativ hochwertigen Sensordaten, darunter hochauflösende Bilder, LiDAR-Punktwolken und Kartendaten.

Hauptmerkmale

• Argoverse enthält über 290.000 gelabelte 3D-Objekt-Tracks und 5 Millionen Objektinstanzen in 1.263 verschiedenen Szenen.
• Der Datensatz umfasst hochauflösende Kamerabilder, LiDAR-Punktwolken und umfangreich annotierte HD-Karten.
• Zu den Annotationen gehören 3D-Begrenzungsrahmen (BBoxes) für Objekte, Objekt-Tracks und Trajektorieninformationen.
• Argoverse bietet mehrere Teilmengen für verschiedene Aufgaben, wie 3D-Tracking, Bewegungsvorhersage und Stereo-Tiefenschätzung.

Datensatzstruktur

Der Argoverse-Datensatz ist in drei Hauptgruppen unterteilt:

1. Argoverse 3D Tracking: Diese Teilmenge enthält 113 Szenen mit über 290.000 gelabelten 3D-Objekt-Tracks und konzentriert sich auf 3D-Objekt-Tracking-Aufgaben. Sie enthält LiDAR-Punktwolken, Kamerabilder und Informationen zur Sensorkalibrierung.
2. Argoverse Motion Forecasting: Diese Teilmenge besteht aus 324.000 Fahrzeugtrajektorien, die aus 60 Stunden Fahrdaten gesammelt wurden und für Aufgaben der Bewegungsvorhersage geeignet sind.
3. Argoverse Stereo Depth Estimation: Diese Teilmenge ist für Aufgaben der Stereo-Tiefenschätzung konzipiert und enthält über 10.000 Stereo-Bildpaare mit zugehörigen LiDAR-Punktwolken für Ground-Truth-Tiefenschätzungen.

Anwendungen

Der Argoverse-Datensatz wird häufig für das Training und die Evaluierung von Deep-Learning-Modellen im Bereich autonomes Fahren genutzt, etwa für 3D-Objekt-Tracking, Bewegungsvorhersage und Stereo-Tiefenschätzung. Die vielfältigen Sensordaten, Objektannotationen und Karteninformationen des Datensatzes machen ihn zu einer wertvollen Ressource für Forschende und Praktiker auf dem Gebiet des autonomen Fahrens.

Datensatz-YAML

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Dataset-Konfiguration zu definieren. Sie enthält Informationen über die Pfade des Datensatzes, Klassen und andere relevante Details. Für den Argoverse-Datensatz wird die Argoverse.yaml-Datei unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yaml gepflegt.

# 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
# parent
# ├── ultralytics
# └── datasets
#     └── Argoverse ← downloads here (31.5 GB)

# 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: |
  import json
  from pathlib import Path

  from ultralytics.utils import TQDM
  from ultralytics.utils.downloads import download

  def argoverse2yolo(annotation_file):
      """Convert Argoverse dataset annotations to YOLO format for object detection tasks."""
      labels = {}
      with open(annotation_file, encoding="utf-8") as f:
          a = json.load(f)
      for annot in TQDM(a["annotations"], desc=f"Converting {annotation_file} to YOLO format..."):
          img_id = annot["image_id"]
          img_name = a["images"][img_id]["name"]
          img_label_name = f"{Path(img_name).stem}.txt"

          cls = annot["category_id"]  # instance class id
          x_center, y_center, width, height = annot["bbox"]
          x_center = (x_center + width / 2) / 1920.0  # offset and scale
          y_center = (y_center + height / 2) / 1200.0  # offset and scale
          width /= 1920.0  # scale
          height /= 1200.0  # scale

          img_dir = annotation_file.parents[2] / "Argoverse-1.1" / "labels" / a["seq_dirs"][a["images"][annot["image_id"]]["sid"]]
          if not img_dir.exists():
              img_dir.mkdir(parents=True, exist_ok=True)

          k = str(img_dir / img_label_name)
          if k not in labels:
              labels[k] = []
          labels[k].append(f"{cls} {x_center} {y_center} {width} {height}\n")

      for k in labels:
          with open(k, "w", encoding="utf-8") as f:
              f.writelines(labels[k])

  # Download 'https://argoverse-hd.s3.us-east-2.amazonaws.com/Argoverse-HD-Full.zip' (deprecated S3 link)
  dir = Path(yaml["path"])  # dataset root dir
  urls = ["https://drive.google.com/file/d/1st9qW3BeIwQsnR0t8mRpvbsSWIo16ACi/view?usp=drive_link"]
  print("\n\nWARNING: Argoverse dataset MUST be downloaded manually, autodownload will NOT work.")
  print(f"WARNING: Manually download Argoverse dataset '{urls[0]}' to '{dir}' and re-run your command.\n\n")
  # download(urls, dir=dir)

  # Convert
  annotations_dir = "Argoverse-HD/annotations/"
  (dir / "Argoverse-1.1" / "tracking").rename(dir / "Argoverse-1.1" / "images")  # rename 'tracking' to 'images'
  for d in "train.json", "val.json":
      argoverse2yolo(dir / annotations_dir / d)  # convert Argoverse annotations to YOLO labels

Verwendung

Um ein YOLO26n-Modell mit dem Argoverse-Datensatz für 100 Epochen bei einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Schnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Modell- Trainings-Seite.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="Argoverse.yaml", epochs=100, imgsz=640)

Beispieldaten und Annotationen

Der Argoverse-Datensatz enthält eine vielfältige Sammlung an Sensordaten, darunter Kamerabilder, LiDAR-Punktwolken und HD-Karteninformationen, die einen reichhaltigen Kontext für autonomes Fahren bieten. Hier sind einige Beispiele für Daten aus dem Datensatz zusammen mit den entsprechenden Annotationen:

• Argoverse 3D Tracking: Dieses Bild zeigt ein Beispiel für 3D-Objekt-Tracking, bei dem Objekte mit 3D-Begrenzungsrahmen annotiert sind. Der Datensatz stellt LiDAR-Punktwolken und Kamerabilder bereit, um die Entwicklung von Modellen für diese Aufgabe zu unterstützen.

Dieses Beispiel verdeutlicht die Vielfalt und Komplexität der Daten im Argoverse-Datensatz und unterstreicht die Bedeutung hochwertiger Sensordaten für Aufgaben des autonomen Fahrens.

Zitate und Danksagungen

Wenn du den Argoverse-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:

@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}
}

Wir möchten Argo AI für die Erstellung und Pflege des Argoverse-Datensatzes als wertvolle Ressource für die Forschungsgemeinschaft im Bereich autonomes Fahren danken. Weitere Informationen über den Argoverse-Datensatz und seine Ersteller findest du auf der Argoverse-Datensatz-Website.

FAQ

Was ist der Argoverse-Datensatz und was sind seine Hauptmerkmale?

Der von Argo AI entwickelte Argoverse-Datensatz unterstützt die Forschung zum autonomen Fahren. Er umfasst über 290.000 gelabelte 3D-Objekt-Tracks und 5 Millionen Objektinstanzen in 1.263 verschiedenen Szenen. Der Datensatz bietet hochauflösende Kamerabilder, LiDAR-Punktwolken und annotierte HD-Karten, was ihn wertvoll für Aufgaben wie 3D-Tracking, Bewegungsvorhersage und Stereo-Tiefenschätzung macht.

Wie kann ich ein Ultralytics YOLO-Modell mit dem Argoverse-Datensatz trainieren?

Um ein YOLO26-Modell mit dem Argoverse-Datensatz zu trainieren, verwende die bereitgestellte YAML-Konfigurationsdatei und den folgenden Code:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="Argoverse.yaml", epochs=100, imgsz=640)

Eine detaillierte Erläuterung der Argumente findest du auf der Modell- Trainings-Seite.

Welche Arten von Daten und Annotationen sind im Argoverse-Datensatz verfügbar?

Der Argoverse-Datensatz umfasst verschiedene Sensordatentypen wie hochauflösende Kamerabilder, LiDAR-Punktwolken und HD-Kartendaten. Zu den Annotationen gehören 3D-Begrenzungsrahmen, Objekt-Tracks und Trajektorieninformationen. Diese umfassenden Annotationen sind entscheidend für das präzise Modelltraining bei Aufgaben wie 3D-Objekt-Tracking, Bewegungsvorhersage und Stereo-Tiefenschätzung.

Wie ist der Argoverse-Datensatz strukturiert?

Der Datensatz ist in drei Hauptgruppen unterteilt:

1. Argoverse 3D Tracking: Enthält 113 Szenen mit über 290.000 gelabelten 3D-Objekt-Tracks und konzentriert sich auf 3D-Objekt-Tracking-Aufgaben. Er enthält LiDAR-Punktwolken, Kamerabilder und Informationen zur Sensorkalibrierung.
2. Argoverse Motion Forecasting: Besteht aus 324.000 Fahrzeugtrajektorien, die aus 60 Stunden Fahrdaten gesammelt wurden und für Aufgaben der Bewegungsvorhersage geeignet sind.
3. Argoverse Stereo Depth Estimation: Enthält über 10.000 Stereo-Bildpaare mit zugehörigen LiDAR-Punktwolken für Ground-Truth-Tiefenschätzungen.

Wo kann ich den Argoverse-Datensatz herunterladen, nachdem er von Amazon S3 entfernt wurde?

Die *.zip-Datei des Argoverse-Datensatzes, die zuvor auf Amazon S3 verfügbar war, kann jetzt manuell von Google Drive heruntergeladen werden.

Wofür wird die YAML-Konfigurationsdatei beim Argoverse-Datensatz verwendet?

Eine YAML-Datei enthält die Pfade des Datensatzes, Klassen und andere wichtige Informationen. Für den Argoverse-Datensatz findest du die Konfigurationsdatei Argoverse.yaml unter folgendem Link: Argoverse.yaml.

Weitere Informationen zu YAML-Konfigurationen findest du in unserem Datasets-Leitfaden.