Conjunto de datos Argoverse
El conjunto de datos Argoverse de Ultralytics (Argoverse-HD) es un conjunto de datos de detección de objetos 2D con 54 446 imágenes etiquetadas de conducción autónoma —39 384 para entrenamiento y 15 062 para validación— distribuidas en 8 clases: persona, bicicleta, coche, motocicleta, autobús, camión, semáforo y señal de stop. Las imágenes se capturan con la cámara frontal central en anillo de un vehículo, y las anotaciones proceden del proyecto de percepción continua de la Universidad Carnegie Mellon, basado en los datos de conducción Argoverse 1.1 de Argo AI. Es una prueba de referencia amplia y del mundo real para entrenar modelos de visión artificial que detecten objetos en la carretera en escenarios de conducción autónoma.
Explora Argoverse-HD en Ultralytics Platform para previsualizar muestras anotadas, consultar las estadísticas del conjunto de datos y clonarlo para entrenar.
Usa Python 3.11 o posterior y establece ULTRALYTICS_API_KEY con una clave de Configuración de Platform. Pasa la URL del conjunto de datos Argoverse como data para descargar las imágenes y preparar automáticamente las etiquetas YOLO. La configuración Argoverse.yaml también descarga desde Platform cuando el conjunto de datos no está disponible localmente.
Características principales#
- 8 clases de detección de objetos: persona, bicicleta, coche, motocicleta, autobús, camión, semáforo y señal de stop.
- 54 446 imágenes etiquetadas —39 384 para entrenamiento y 15 062 para validación—, además de una partición de prueba sin etiquetas reservada para el reto eval.ai.
- Fotogramas de cámara ring-front-center 1920 × 1200 capturados en escenas urbanas de conducción autónoma.
- Las anotaciones se convierten automáticamente al formato YOLO la primera vez que se utiliza el conjunto de datos, por lo que se puede entrenar directamente con los modelos de detección Ultralytics YOLO.
Estructura del conjunto de datos#
El conjunto de datos Argoverse-HD en Platform conserva los tres subconjuntos predefinidos:
| División | Imágenes | Etiquetas |
|---|---|---|
| Entrenar | 39,384 | Sí |
| Validación | 15,062 | Sí |
| Prueba | 12,507 | Sin etiquetar (reto de eval.ai) |
Todas las imágenes comparten las mismas 8 clases de objetos (índices del 0 al 7): persona, bicicleta, coche, motocicleta, autobús, camión, semáforo y señal de stop.
Ultralytics descarga el conjunto de datos de Platform y convierte automáticamente sus anotaciones en etiquetas de detección YOLO, por lo que no es necesario realizar ningún preprocesamiento manual.
Aplicaciones#
El conjunto de datos Argoverse-HD admite diversas aplicaciones de detección de objetos en la conducción autónoma:
- Percepción para vehículos autónomos — detecta vehículos, peatones y ciclistas con una cámara orientada hacia delante para facilitar la navegación de vehículos autónomos.
- Sistemas avanzados de asistencia a la conducción (ADAS) — reconocen semáforos y señales de stop para enviar alertas al conductor en tiempo real.
- Monitorización del tráfico — cuenta y sigue a los usuarios de la vía en entornos urbanos para realizar análisis de ciudades inteligentes.
- Investigación y creación de prototipos — un conjunto de referencia amplio y del mundo real para aprender a entrenar modelos y realizar predicciones con datos de conducción.
YAML del conjunto de datos#
Un archivo YAML define la configuración del conjunto de datos, incluidas las rutas, las clases y otros detalles relevantes. Para el 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
# Download: https://platform.ultralytics.com/ultralytics/datasets/argoverse (requires ULTRALYTICS_API_KEY)
# parent
# ├── ultralytics
# └── datasets
# └── Argoverse ← existing local dataset
# 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: |
from ultralytics.data.utils import check_det_dataset, convert_ndjson_to_yolo_if_needed
data = convert_ndjson_to_yolo_if_needed("https://platform.ultralytics.com/ultralytics/datasets/argoverse")
yaml.update(check_det_dataset(data))Uso#
Para entrenar un modelo YOLO26n con el conjunto de datos Argoverse durante 100 épocas y con un tamaño de imagen de 640, utiliza los siguientes ejemplos de código.
from ultralytics import YOLO
# Cargar un modelo
model = YOLO("yolo26n.pt") # Carga un modelo preentrenado (recomendado para el entrenamiento)
# Entrenar el modelo
results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)Una vez entrenado, ejecuta la inferencia con el modelo ajustado en nuevas imágenes o vídeos de conducción:
from ultralytics import YOLO
# Cargar un modelo
model = YOLO("path/to/best.pt") # carga un modelo ajustado con Argoverse
# Inferencia con el modelo
results = model.predict("path/to/driving-scene.jpg")Datos de ejemplo y anotaciones#
El conjunto de datos Argoverse-HD contiene imágenes de conducción de alta resolución capturadas por una cámara central frontal del anillo y anotadas con cuadros delimitadores 2D para las 8 clases de objetos. A continuación se muestra una imagen de ejemplo del conjunto de datos con sus anotaciones correspondientes:

- Escena de conducción anotada: esta imagen muestra objetos de la vía, como vehículos y peatones, etiquetados con cuadros delimitadores 2D, el formato que los modelos YOLO aprenden a predecir durante el entrenamiento.
Citas y agradecimientos#
Las anotaciones de detección 2D de Argoverse-HD utilizadas en este conjunto de datos proceden del trabajo de percepción en flujo de Carnegie Mellon University. Si utilizas el conjunto de datos en tu investigación o desarrollo, cita lo siguiente:
@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}
}Queremos agradecer a Carnegie Mellon University las anotaciones de detección de Argoverse-HD y a Argo AI la creación del conjunto de datos Argoverse original, un recurso valioso para la comunidad de investigación sobre conducción autónoma.
Preguntas frecuentes#
El conjunto de datos Argoverse de Ultralytics (Argoverse-HD) es un conjunto de datos de detección de objetos 2D con 54.446 imágenes de conducción autónoma repartidas en 8 clases: persona, bicicleta, coche, motocicleta, autobús, camión, semáforo y señal de stop. Se utiliza para entrenar y evaluar modelos que detectan objetos de la vía mediante una cámara del vehículo orientada hacia delante, lo que contribuye a la investigación sobre percepción para vehículos autónomos, ADAS y monitorización del tráfico.
El conjunto de datos Argoverse-HD tiene 8 clases (persona, bicicleta, coche, motocicleta, autobús, camión, semáforo y señal de stop) y 54.446 imágenes etiquetadas: 39.384 para entrenamiento y 15.062 para validación; además, incluye una división de prueba sin etiquetar reservada para el reto de eval.ai.
En Ultralytics, es un conjunto de datos de detección de objetos 2D (fotogramas de cámara de Argoverse-HD con cuadros delimitadores 2D), no el conjunto de investigación más amplio de Argoverse sobre seguimiento 3D, predicción de movimiento o LiDAR. Se entrena con un modelo de detección estándar, como
yolo26n.pt.Establece
ULTRALYTICS_API_KEYy entrena directamente desde la URL del conjunto de datos de Platform:Ejemplofrom ultralytics import YOLO # Cargar un modelo model = YOLO("yolo26n.pt") # Carga un modelo preentrenado (recomendado para el entrenamiento) # Entrenar el modelo results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)Para obtener una explicación detallada de los argumentos, consulta la página de entrenamiento del modelo.
Descarga Argoverse desde Ultralytics Platform. Puedes pasar esta URL directamente como argumento
datadel entrenamiento después de establecerULTRALYTICS_API_KEY; Ultralytics descarga el conjunto de datos y prepara automáticamente sus etiquetas YOLO.Sí. Abre Argoverse-HD en Ultralytics Platform para explorar sus imágenes y anotaciones, clonarlo y entrenar modelos de detección de objetos en la nube. También puedes consultar conjuntos de datos relacionados en la descripción general de los conjuntos de datos de detección.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.



