Link to this sectionArgoverse-Datensatz#

Das Ultralytics Argoverse-Dataset (Argoverse-HD) ist ein 2D-Objekterkennungs-Dataset mit 54.446 annotierten Bildern für autonomes Fahren — 39.384 für das Training und 15.062 für die Validierung — unterteilt in 8 Klassen: Person, Fahrrad, Auto, Motorrad, Bus, LKW, Ampel und Stoppschild. Die Bilder wurden mit der Frontkamera eines Fahrzeugs aufgenommen, und die Annotationen stammen aus dem Streaming-Perception-Projekt der Carnegie Mellon University, das auf den Argoverse 1.1-Fahrdaten von Argo AI basiert. Es ist ein großer, praxisnaher Benchmark für das Training von Computer-Vision-Modellen zur Erkennung von Objekten im Straßenverkehr in autonomen Fahrszenarien.

Link to this sectionHauptfunktionen#

• 8 Objekterkennungs-Klassen: Person, Fahrrad, Auto, Motorrad, Bus, LKW, Ampel und Stoppschild.
• 54.446 annotierte Bilder — 39.384 für das Training und 15.062 für die Validierung — sowie ein unbeschrifteter Test-Split, der für die eval.ai-Challenge reserviert ist.
• ~31,5 GB hochauflösende Aufnahmen der Frontkamera aus urbanen autonomen Fahrszenen.
• Die Annotationen werden bei der ersten Verwendung automatisch in das YOLO-Format konvertiert, sodass das Dataset direkt mit Ultralytics YOLO-Erkennungsmodellen trainiert werden kann.

Link to this sectionDatensatzstruktur#

Das Argoverse-HD-Dataset ist in drei vordefinierte Teilmengen unterteilt, die in der Argoverse.yaml-Konfigurationsdatei definiert sind:

Alle Bilder teilen sich die gleichen 8 Objektklassen (Indizes 0–7): Person, Fahrrad, Auto, Motorrad, Bus, LKW, Ampel und Stoppschild.

Link to this sectionAnwendungen#

Das Argoverse-HD-Dataset unterstützt eine Reihe von Objekterkennungsanwendungen beim autonomen Fahren:

• Wahrnehmung beim autonomen Fahren — erkenne Fahrzeuge, Fußgänger und Radfahrer über eine Frontkamera, um die Navigation von autonomen Fahrzeugen zu unterstützen.
• Fortschrittliche Fahrerassistenzsysteme (ADAS) — erkenne Ampeln und Stoppschilder für Warnmeldungen an den Fahrer in Echtzeit.
• Verkehrsüberwachung — zähle und verfolge Verkehrsteilnehmer in urbanen Szenen für Analysen im Bereich Smart City.
• Forschung und Prototyping — ein großer, realer Benchmark für das Erlernen von Modelltraining und Vorhersagen anhand von Fahrdaten.

Link to this sectionDatensatz-YAML#

Eine YAML-Datei definiert die Dataset-Konfiguration, einschließlich Pfaden, Klassen und weiteren relevanten Details. Für das Argoverse-Dataset 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-Dataset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Codebeispiele. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training.

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)

Führe nach dem Training die Inferenz mit dem feinabgestimmten Modell an neuen Fahrbildern oder Videos aus:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load an Argoverse fine-tuned model

# Inference using the model
results = model.predict("path/to/driving-scene.jpg")

Link to this sectionBeispieldaten und Annotationen#

Das Argoverse-HD-Dataset enthält hochauflösende Fahrbilder, die mit einer Frontkamera aufgenommen und mit 2D-Begrenzungsrahmen für die 8 Objektklassen annotiert wurden. Unten findest du ein Beispielbild aus dem Dataset mit den entsprechenden Annotationen:

• Annotierte Fahrszene: Dieses Bild zeigt Verkehrsobjekte — wie Fahrzeuge und Fußgänger —, die mit 2D-Begrenzungsrahmen markiert sind, dem Format, das YOLO-Modelle während des Trainings lernen vorherzusagen.

Link to this sectionZitate und Danksagungen#

Die Argoverse-HD 2D-Erkennungsannotationen, die in diesem Dataset verwendet werden, stammen aus der Streaming-Perception-Arbeit der Carnegie Mellon University. Wenn du das Dataset für deine Forschung oder Entwicklung verwendest, zitiere es bitte wie folgt:

@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}
}

Wir möchten der Carnegie Mellon University für die Argoverse-HD-Erkennungsannotationen danken sowie Argo AI für die Erstellung des ursprünglichen Argoverse-Datasets als wertvolle Ressource für die Forschungsgemeinschaft im Bereich autonomes Fahren.

Link to this sectionFAQ#

Link to this sectionWas ist das Argoverse-Dataset und wofür wird es verwendet?#

Das Ultralytics Argoverse-Dataset (Argoverse-HD) ist ein 2D-Objekterkennungs-Dataset mit 54.446 Bildern für autonomes Fahren, unterteilt in 8 Klassen — Person, Fahrrad, Auto, Motorrad, Bus, LKW, Ampel und Stoppschild. Es wird verwendet, um Modelle zu trainieren und zu bewerten, die Verkehrsobjekte über eine nach vorne gerichtete Fahrzeugkamera erkennen, und unterstützt die Forschung im Bereich Wahrnehmung für autonomes Fahren, ADAS und Verkehrsüberwachung.

Link to this sectionWie viele Klassen und Bilder enthält das Argoverse-Dataset?#

Das Argoverse-HD-Dataset umfasst 8 Klassen (Person, Fahrrad, Auto, Motorrad, Bus, LKW, Ampel und Stoppschild) und 54.446 annotierte Bilder — 39.384 für das Training und 15.062 für die Validierung — sowie einen unbeschrifteten Test-Split, der für die eval.ai-Challenge reserviert ist.

Link to this sectionHandelt es sich beim Argoverse-Dataset in Ultralytics um 2D- oder 3D-Erkennung?#

In Ultralytics handelt es sich um ein 2D-Objekterkennungs-Dataset (Argoverse-HD Kameraaufnahmen mit 2D-Begrenzungsrahmen), nicht um das 3D-Tracking-, Bewegungs-Vorhersage- oder LiDAR-Forschungspaket aus dem breiteren Argoverse-Programm. Du trainierst es mit einem Standard-Erkennungsmodell wie yolo26n.pt.

Link to this sectionWie trainiere ich ein YOLO26-Modell mit dem Argoverse-Dataset?#

Lade das Dataset zuerst manuell herunter (siehe unten) und trainiere dann mit der Argoverse.yaml-Konfigurationsdatei:

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

Die Argoverse-HD *.zip-Datei (~31,5 GB), die zuvor auf Amazon S3 gehostet wurde, kann jetzt manuell von Google Drive heruntergeladen werden. Ein automatischer Download funktioniert nicht, lade das Archiv also vor dem Ausführen deines Trainingsbefehls herunter.

Link to this sectionKann ich das Argoverse-Dataset mit der Ultralytics Platform verwenden?#

Ja. Die Ultralytics Platform ermöglicht es dir, große Datasets wie Argoverse-HD hochzuladen und zu versionieren, um anschließend Objekterkennungsmodelle in der Cloud zu trainieren und bereitzustellen, ohne eine komplexe lokale Einrichtung zu benötigen. Du kannst auch verwandte Datasets in der Übersicht der Erkennungs-Datasets durchsuchen.