Link to this sectionArgoverse-Datensatz#

Das Argoverse-Datenset ist eine Datensammlung, die darauf ausgelegt ist, die Forschung an Aufgaben des autonomen Fahrens zu unterstützen, wie etwa 3D-Tracking, Bewegungs-Vorhersage und Stereo-Tiefenschätzung. Das von Argo AI entwickelte Datenset bietet eine breite Palette an hochwertigen Sensordaten, darunter hochauflösende Bilder, LiDAR-Punktwolken und Kartendaten.

Link to this sectionHauptfunktionen#

• Argoverse enthält über 290.000 markierte 3D-Objektspuren und 5 Millionen Objektinstanzen in 1.263 verschiedenen Szenen.
• Das Datenset enthält hochauflösende Kamerabilder, LiDAR-Punktwolken und reichhaltig annotierte HD-Karten.
• Die Annotationen umfassen 3D-BBoxen für Objekte, Objektspuren und Trajektorieninformationen.
• Argoverse stellt mehrere Teilmengen für verschiedene Aufgaben bereit, wie 3D-Tracking, Bewegungs-Vorhersage und Stereo-Tiefenschätzung.

Link to this sectionDatensatzstruktur#

Das Argoverse-Datenset ist in drei Haupt-Teilmengen gegliedert:

1. Argoverse 3D Tracking: Diese Teilmenge enthält 113 Szenen mit über 290.000 markierten 3D-Objektspuren und konzentriert sich auf Aufgaben des 3D-Objekt-Trackings. Sie umfasst 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 eignet sich für Aufgaben der Bewegungs-Vorhersage.
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 die Ground-Truth-Tiefenschätzung.

Link to this sectionAnwendungen#

Das Argoverse-Datenset wird häufig zum Training und zur Evaluierung von Deep Learning-Modellen für Aufgaben des autonomen Fahrens wie 3D-Objekt-Tracking, Bewegungs-Vorhersage und Stereo-Tiefenschätzung verwendet. Die vielfältigen Sensordaten, Objektannotationen und Karteninformationen des Datensets machen es zu einer wertvollen Ressource für Forscher und Praktiker im Bereich des autonomen Fahrens.

Link to this sectionDatensatz-YAML#

Eine YAML-Datei wird verwendet, um die Konfiguration des Datensets zu definieren. Sie enthält Informationen zu Pfaden, Klassen und anderen relevanten Details des Datensets. Für das Argoverse-Datenset 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.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

Link to this sectionVerwendung#

Um ein YOLO26n-Modell auf dem Argoverse-Datenset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Training-Seite des Modells.

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)

Link to this sectionBeispieldaten und Annotationen#

Das Argoverse-Datenset enthält vielfältige Sensordaten, darunter Kamerabilder, LiDAR-Punktwolken und HD-Karteninformationen, die einen reichen Kontext für Aufgaben des autonomen Fahrens bieten. Hier sind einige Beispiele für Daten aus dem Datenset sowie die entsprechenden Annotationen:

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

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

Link to this sectionZitate und Danksagungen#

Wenn du das Argoverse-Datenset 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 dafür danken, dass sie das Argoverse-Datenset als wertvolle Ressource für die Forschungsgemeinschaft zum autonomen Fahren erstellt und gepflegt haben. Weitere Informationen über das Argoverse-Datenset und seine Schöpfer findest du auf der Argoverse-Datenset-Website.

Link to this sectionFAQ#

Link to this sectionWas ist das Argoverse-Datenset und was sind seine Hauptmerkmale?#

Das von Argo AI entwickelte Argoverse-Datenset unterstützt die Forschung zum autonomen Fahren. Es enthält über 290.000 markierte 3D-Objektspuren und 5 Millionen Objektinstanzen in 1.263 verschiedenen Szenen. Das Datenset bietet hochauflösende Kamerabilder, LiDAR-Punktwolken und annotierte HD-Karten, was es wertvoll für Aufgaben wie 3D-Tracking, Bewegungs-Vorhersage und Stereo-Tiefenschätzung macht.

Link to this sectionWie kann ich ein Ultralytics YOLO-Modell mit dem Argoverse-Datenset trainieren?#

Um ein YOLO26-Modell mit dem Argoverse-Datenset 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)

Für eine detaillierte Erläuterung der Argumente siehe die Training-Seite des Modells.

Link to this sectionWelche Arten von Daten und Annotationen sind im Argoverse-Datenset verfügbar?#

Das Argoverse-Datenset umfasst verschiedene Arten von Sensordaten wie hochauflösende Kamerabilder, LiDAR-Punktwolken und HD-Kartendaten. Die Annotationen beinhalten 3D-BBoxen, Objektspuren und Trajektorieninformationen. Diese umfassenden Annotationen sind für ein genaues Modelltraining bei Aufgaben wie 3D-Objekt-Tracking, Bewegungs-Vorhersage und Stereo-Tiefenschätzung unerlässlich.

Link to this sectionWie ist das Argoverse-Datenset strukturiert?#

Das Datenset ist in drei Haupt-Teilmengen unterteilt:

1. Argoverse 3D Tracking: Enthält 113 Szenen mit über 290.000 markierten 3D-Objektspuren und konzentriert sich auf 3D-Objekt-Tracking-Aufgaben. Es umfasst LiDAR-Punktwolken, Kamerabilder und Informationen zur Sensorkalibrierung.
2. Argoverse Motion Forecasting: Besteht aus 324.000 Fahrzeugtrajektorien, die aus 60 Stunden Fahrdaten gesammelt wurden, und eignet sich für Bewegungs-Vorhersage-Aufgaben.
3. Argoverse Stereo Depth Estimation: Enthält über 10.000 Stereo-Bildpaare mit zugehörigen LiDAR-Punktwolken für die Ground-Truth-Tiefenschätzung.

Link to this sectionWo kann ich das Argoverse-Datenset herunterladen, jetzt wo es von Amazon S3 entfernt wurde?#

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

Link to this sectionWofür wird die YAML-Konfigurationsdatei beim Argoverse-Datenset verwendet?#

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

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