Conjunto de datos Argoverse

El conjunto de datos Argoverse es una recopilación de datos diseñada para apoyar la investigación en tareas de conducción autónoma, como el seguimiento 3D, la predicción de movimiento y la estimación de profundidad estéreo. Desarrollado por Argo AI, el conjunto de datos proporciona una amplia gama de datos de sensores de alta calidad, que incluyen imágenes de alta resolución, nubes de puntos LiDAR y datos cartográficos.

Características clave

• Argoverse contiene más de 290.000 pistas de objetos 3D etiquetadas y 5 millones de instancias de objetos a través de 1.263 escenas distintas.
• El conjunto de datos incluye imágenes de cámara de alta resolución, nubes de puntos LiDAR y mapas HD ricamente anotados.
• Las anotaciones incluyen cajas delimitadoras 3D para objetos, pistas de objetos e información de trayectoria.
• Argoverse proporciona múltiples subconjuntos para diferentes tareas, como el seguimiento 3D, la predicción de movimiento y la estimación de profundidad estéreo.

Estructura del conjunto de datos

El conjunto de datos Argoverse se organiza en tres subconjuntos principales:

1. Seguimiento 3D de Argoverse: Este subconjunto contiene 113 escenas con más de 290.000 pistas de objetos 3D etiquetadas, centrándose en tareas de seguimiento de objetos 3D. Incluye nubes de puntos LiDAR, imágenes de cámara e información de calibración de sensores.
2. Predicción de movimiento de Argoverse: Este subconjunto consiste en 324.000 trayectorias de vehículos recopiladas a partir de 60 horas de datos de conducción, adecuadas para tareas de predicción de movimiento.
3. Estimación de profundidad estéreo de Argoverse: Este subconjunto está diseñado para tareas de estimación de profundidad estéreo e incluye más de 10.000 pares de imágenes estéreo con las correspondientes nubes de puntos LiDAR para la estimación de la profundidad de referencia (ground truth).

Aplicaciones

El conjunto de datos Argoverse se utiliza ampliamente para entrenar y evaluar modelos de deep learning en tareas de conducción autónoma como el seguimiento de objetos 3D, la predicción de movimiento y la estimación de profundidad estéreo. El diverso conjunto de datos de sensores, anotaciones de objetos e información cartográfica del conjunto de datos lo convierte en un recurso valioso para investigadores y profesionales en el campo de la conducción autónoma.

YAML del conjunto de datos

Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del conjunto de datos. Contiene información sobre las rutas del conjunto de datos, clases y otra información relevante. Para el caso del conjunto de datos Argoverse, el archivo Argoverse.yaml se mantiene en 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
# 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

Uso

Para entrenar un modelo YOLO26n en el conjunto de datos Argoverse durante 100 epochs con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la página de Training del modelo.

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)

Muestra de datos y anotaciones

El conjunto de datos Argoverse contiene un conjunto diverso de datos de sensores, incluyendo imágenes de cámara, nubes de puntos LiDAR e información de mapas HD, proporcionando un contexto rico para las tareas de conducción autónoma. Aquí tienes algunos ejemplos de datos del conjunto de datos, junto con sus correspondientes anotaciones:

• Seguimiento 3D de Argoverse: Esta imagen demuestra un ejemplo de seguimiento de objetos 3D, donde los objetos están anotados con cajas delimitadoras 3D. El conjunto de datos proporciona nubes de puntos LiDAR e imágenes de cámara para facilitar el desarrollo de modelos para esta tarea.

El ejemplo muestra la variedad y complejidad de los datos en el conjunto de datos Argoverse y destaca la importancia de los datos de sensores de alta calidad para las tareas de conducción autónoma.

Citas y reconocimientos

Si utilizas el conjunto de datos Argoverse en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:

@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}
}

Nos gustaría agradecer a Argo AI por crear y mantener el conjunto de datos Argoverse como un recurso valioso para la comunidad de investigación de conducción autónoma. Para obtener más información sobre el conjunto de datos Argoverse y sus creadores, visita el sitio web del conjunto de datos Argoverse.

Preguntas frecuentes

¿Qué es el conjunto de datos Argoverse y cuáles son sus características principales?

El conjunto de datos Argoverse, desarrollado por Argo AI, apoya la investigación en conducción autónoma. Incluye más de 290.000 pistas de objetos 3D etiquetadas y 5 millones de instancias de objetos a través de 1.263 escenas distintas. El conjunto de datos proporciona imágenes de cámara de alta resolución, nubes de puntos LiDAR y mapas HD anotados, lo que lo hace valioso para tareas como el seguimiento 3D, la predicción de movimiento y la estimación de profundidad estéreo.

¿Cómo puedo entrenar un modelo Ultralytics YOLO utilizando el conjunto de datos Argoverse?

Para entrenar un modelo YOLO26 con el conjunto de datos Argoverse, utiliza el archivo de configuración YAML proporcionado y el siguiente código:

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)

Para una explicación detallada de los argumentos, consulta la página de Training del modelo.

¿Qué tipos de datos y anotaciones están disponibles en el conjunto de datos Argoverse?

El conjunto de datos Argoverse incluye varios tipos de datos de sensores, como imágenes de cámara de alta resolución, nubes de puntos LiDAR y datos de mapas HD. Las anotaciones incluyen cajas delimitadoras 3D, pistas de objetos e información de trayectoria. Estas anotaciones exhaustivas son esenciales para un entrenamiento preciso del modelo en tareas como el seguimiento de objetos 3D, la predicción de movimiento y la estimación de profundidad estéreo.

¿Cómo está estructurado el conjunto de datos Argoverse?

El conjunto de datos está dividido en tres subconjuntos principales:

1. Seguimiento 3D de Argoverse: Contiene 113 escenas con más de 290.000 pistas de objetos 3D etiquetadas, centrándose en tareas de seguimiento de objetos 3D. Incluye nubes de puntos LiDAR, imágenes de cámara e información de calibración de sensores.
2. Predicción de movimiento de Argoverse: Consiste en 324.000 trayectorias de vehículos recopiladas a partir de 60 horas de datos de conducción, adecuadas para tareas de predicción de movimiento.
3. Estimación de profundidad estéreo de Argoverse: Incluye más de 10.000 pares de imágenes estéreo con las correspondientes nubes de puntos LiDAR para la estimación de la profundidad de referencia.

¿Dónde puedo descargar el conjunto de datos Argoverse ahora que ha sido eliminado de Amazon S3?

El archivo *.zip del conjunto de datos Argoverse, anteriormente disponible en Amazon S3, ahora se puede descargar manualmente desde Google Drive.

¿Para qué se utiliza el archivo de configuración YAML con el conjunto de datos Argoverse?

Un archivo YAML contiene las rutas, clases y otra información esencial del conjunto de datos. Para el conjunto de datos Argoverse, el archivo de configuración, Argoverse.yaml, se puede encontrar en el siguiente enlace: Argoverse.yaml.

Para más información sobre configuraciones YAML, consulta nuestra guía de datasets.