ADE20K-Datensatz
Der ADE20K-Datensatz ist ein umfangreicher Benchmark für semantische Segmentierung und Szenenanalyse, der vom MIT CSAIL veröffentlicht wurde. Er bietet dicht annotierte Bilder, die eine große Vielfalt an Innen-, Außen-, Objekt- und sonstigen Kategorien abdecken, was ihn zu einer unverzichtbaren Ressource für Forscher und Entwickler macht, die an komplexen Szenenanalyseaufgaben mit Ultralytics YOLO-Modellen arbeiten.
Hauptfunktionen
- ADE20K enthält 20.210 Trainingsbilder, 2.000 Validierungsbilder und 3.352 Testbilder.
- Der Datensatz umfasst 150 semantische Klassen, die sich auf Innen-, Außen-, Objekt- und sonstige Kategorien verteilen.
- Die Annotationen sind Segmentierungsmasken auf Pixelebene, die sich für eine detaillierte Szenenanalyse eignen.
Datensatzstruktur
Die Ultralytics-Konfiguration erwartet das offizielle ADEChallengeData2016-Layout:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/Das Feld masks_dir ist auf annotations eingestellt, sodass jedes Bild unter images/ mit der entsprechenden Maske unter annotations/ verknüpft ist. Die ursprünglichen ADE20K-Masken verwenden Quell-Label-IDs, bei denen 0 ignoriert wird. Der label_mapping-Abschnitt konvertiert gültige Labels von 1 bis 150 in zusammenhängende Trainings-IDs von 0 bis 149 und weist ignorierte Pixel dem Wert 255 zu.
Anwendungen
ADE20K wird häufig für das Training und die Evaluierung von Deep Learning-Modellen im Bereich der semantischen Segmentierung und Szenenanalyse verwendet. Seine vielfältigen Kategorien und komplexen Szenen machen ihn wertvoll für Anwendungen wie autonome Navigation, Robotik, Augmented Reality und Bildbearbeitung.
Die Bandbreite an Innen- und Außenaufnahmen macht ADE20K zudem zu einem starken Benchmark zur Bewertung der Modellgeneralisierung über verschiedene Domänen hinweg.
Datensatz YAML
Eine YAML-Datei für den Datensatz definiert die Pfade, Klassen, das Maskenverzeichnis und das Label-Mapping für ADE20K. Die Datei ade20k.yaml wird unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ade20k.yaml gepflegt.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# ADE20K semantic segmentation dataset (150 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/ade20k/
# Example usage: yolo semantic train data=ade20k.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
# └── ADEChallengeData2016 ← downloads here (1 GB)
# └── images
# └── annotations
# Dataset root directory
path: ADEChallengeData2016
train: images/training
val: images/validation
masks_dir: annotations # semantic mask directory
# ADE20K 150-class labels
names:
0: wall
1: building
2: sky
3: floor
4: tree
5: ceiling
6: road
7: bed
8: windowpane
9: grass
10: cabinet
11: sidewalk
12: person
13: earth
14: door
15: table
16: mountain
17: plant
18: curtain
19: chair
20: car
21: water
22: painting
23: sofa
24: shelf
25: house
26: sea
27: mirror
28: rug
29: field
30: armchair
31: seat
32: fence
33: desk
34: rock
35: wardrobe
36: lamp
37: bathtub
38: railing
39: cushion
40: base
41: box
42: column
43: signboard
44: chest of drawers
45: counter
46: sand
47: sink
48: skyscraper
49: fireplace
50: refrigerator
51: grandstand
52: path
53: stairs
54: runway
55: case
56: pool table
57: pillow
58: screen door
59: stairway
60: river
61: bridge
62: bookcase
63: blind
64: coffee table
65: toilet
66: flower
67: book
68: hill
69: bench
70: countertop
71: stove
72: palm
73: kitchen island
74: computer
75: swivel chair
76: boat
77: bar
78: arcade machine
79: hovel
80: bus
81: towel
82: light
83: truck
84: tower
85: chandelier
86: awning
87: streetlight
88: booth
89: television receiver
90: airplane
91: dirt track
92: apparel
93: pole
94: land
95: bannister
96: escalator
97: ottoman
98: bottle
99: buffet
100: poster
101: stage
102: van
103: ship
104: fountain
105: conveyor belt
106: canopy
107: washer
108: plaything
109: swimming pool
110: stool
111: barrel
112: basket
113: waterfall
114: tent
115: bag
116: minibike
117: cradle
118: oven
119: ball
120: food
121: step
122: tank
123: trade name
124: microwave
125: pot
126: animal
127: bicycle
128: lake
129: dishwasher
130: screen
131: blanket
132: sculpture
133: hood
134: sconce
135: vase
136: traffic light
137: tray
138: ashcan
139: fan
140: pier
141: crt screen
142: plate
143: monitor
144: bulletin board
145: shower
146: radiator
147: glass
148: clock
149: flag
# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
0: ignore_label
1: 0
2: 1
3: 2
4: 3
5: 4
6: 5
7: 6
8: 7
9: 8
10: 9
11: 10
12: 11
13: 12
14: 13
15: 14
16: 15
17: 16
18: 17
19: 18
20: 19
21: 20
22: 21
23: 22
24: 23
25: 24
26: 25
27: 26
28: 27
29: 28
30: 29
31: 30
32: 31
33: 32
34: 33
35: 34
36: 35
37: 36
38: 37
39: 38
40: 39
41: 40
42: 41
43: 42
44: 43
45: 44
46: 45
47: 46
48: 47
49: 48
50: 49
51: 50
52: 51
53: 52
54: 53
55: 54
56: 55
57: 56
58: 57
59: 58
60: 59
61: 60
62: 61
63: 62
64: 63
65: 64
66: 65
67: 66
68: 67
69: 68
70: 69
71: 70
72: 71
73: 72
74: 73
75: 74
76: 75
77: 76
78: 77
79: 78
80: 79
81: 80
82: 81
83: 82
84: 83
85: 84
86: 85
87: 86
88: 87
89: 88
90: 89
91: 90
92: 91
93: 92
94: 93
95: 94
96: 95
97: 96
98: 97
99: 98
100: 99
101: 100
102: 101
103: 102
104: 103
105: 104
106: 105
107: 106
108: 107
109: 108
110: 109
111: 110
112: 111
113: 112
114: 113
115: 114
116: 115
117: 116
118: 117
119: 118
120: 119
121: 120
122: 121
123: 122
124: 123
125: 124
126: 125
127: 126
128: 127
129: 128
130: 129
131: 130
132: 131
133: 132
134: 133
135: 134
136: 135
137: 136
138: 137
139: 138
140: 139
141: 140
142: 141
143: 142
144: 143
145: 144
146: 145
147: 146
148: 147
149: 148
150: 149
# Download URL (manual): http://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zipVerwendung
Um ein YOLO26n-sem-Modell auf dem ADE20K-Datensatz für 100 Epochen mit einer Bildgröße von 512 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training für Modelle.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-sem.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="ade20k.yaml", epochs=100, imgsz=512)Zitate und Danksagungen
Wenn du den ADE20K-Datensatz in deiner Forschung oder Entwicklung verwendest, zitiere bitte das folgende Paper:
@inproceedings{zhou2017scene,
title={Scene Parsing through ADE20K Dataset},
author={Zhou, Bolei and Zhao, Hang and Puig, Xavier and Fidler, Sanja and Barriuso, Adela and Torralba, Antonio},
booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
year={2017}
}Wir möchten der MIT CSAIL Computer Vision Group dafür danken, dass sie diese wertvolle Ressource für die Computer-Vision-Community erstellt und gepflegt hat. Weitere Informationen über den ADE20K-Datensatz und seine Ersteller findest du auf der ADE20K-Dataset-Website.
FAQ
Was ist der ADE20K-Datensatz und warum ist er für Computer Vision wichtig?
Der ADE20K-Datensatz ist ein umfangreicher Benchmark für Szenenanalyse, der für semantische Segmentierung verwendet wird. Er enthält 25.562 dicht annotierte Bilder aus 150 Kategorien, die Innen-, Außen-, Objekt- und sonstige Klassen abdecken. Forscher nutzen ADE20K aufgrund der vielfältigen Szenen, des fein abgestuften Kategoriensatzes und standardisierter Evaluierungsmetriken wie der mittleren Intersection over Union (mIoU), die ihn ideal für das Benchmarking von Modellen zur dichten Vorhersage machen.
Wie kann ich ein YOLO-Modell mit dem ADE20K-Datensatz trainieren?
Um ein YOLO26n-sem-Modell auf dem ADE20K-Datensatz für 100 Epochen mit einer Bildgröße von 512 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine detaillierte Liste der verfügbaren Argumente findest du auf der Seite Training für Modelle.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-sem.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="ade20k.yaml", epochs=100, imgsz=512)Wie ist der ADE20K-Datensatz strukturiert?
Der ADE20K-Datensatz folgt dem offiziellen ADEChallengeData2016-Layout, bei dem Bilder unter images/training/ und images/validation/ sowie die entsprechenden Masken unter annotations/training/ und annotations/validation/ organisiert sind. Die Ultralytics YAML-Datei verknüpft jedes Bild über das Feld masks_dir: annotations mit seiner Maske und verwendet label_mapping, um Quell-Label-IDs von 1 bis 150 in zusammenhängende Trainings-IDs von 0 bis 149 umzuwandeln, während das Ignore-Label auf 255 gesetzt wird.
Warum verwendet ADE20K label_mapping?
ADE20K-Annotationsmasken speichern Quell-Label-IDs, wobei 0 die Ignore- oder Hintergrundklasse kennzeichnet. Der label_mapping-Abschnitt bildet die gültigen Labels 1 bis 150 auf zusammenhängende Trainings-IDs 0 bis 149 ab und weist ignorierten Pixeln den Wert 255 zu, sodass diese während des Trainings und der Validierung von der Verlustberechnung und den Metriken ausgeschlossen werden.