Jeu de données Argoverse
Le jeu de données Argoverse d'Ultralytics (Argoverse-HD) est un jeu de données 2D de détection d'objets comprenant 54 446 images annotées de conduite autonome — 39 384 pour l'entraînement et 15 062 pour la validation — réparties en 8 classes : personne, vélo, voiture, moto, bus, camion, feu de circulation et panneau stop. Les images sont capturées par la caméra avant centrale annulaire d'un véhicule, et les annotations proviennent du projet de perception en continu de l'université Carnegie Mellon, basé sur les données de conduite Argoverse 1.1 d'Argo AI. Il s'agit d'un benchmark de grande envergure, issu du monde réel, pour entraîner des modèles de vision par ordinateur à détecter des objets routiers dans des scénarios de conduite autonome.
Explore Argoverse-HD sur Ultralytics Platform pour prévisualiser des exemples annotés, examiner les statistiques du jeu de données et le cloner pour l’entraînement.
Utilise Python 3.11 ou une version ultérieure et définis ULTRALYTICS_API_KEY avec une clé provenant des paramètres de Platform. Passe l’URL du jeu de données Argoverse comme data pour télécharger les images et préparer automatiquement les étiquettes YOLO. La configuration Argoverse.yaml télécharge également les données depuis Platform si le jeu de données n’est pas disponible localement.
Fonctionnalités clés#
- 8 classes de détection d’objets : personne, vélo, voiture, moto, bus, camion, feu de circulation et panneau stop.
- 54 446 images étiquetées — 39 384 pour l’entraînement et 15 062 pour la validation — auxquelles s’ajoute un sous-ensemble de test non étiqueté réservé au défi eval.ai.
- Images de caméra 1920 × 1200 ring-front-center capturées dans des scènes urbaines de conduite autonome.
- Les annotations sont automatiquement converties au format YOLO lors de la première utilisation, ce qui permet d’entraîner directement les modèles de détection Ultralytics YOLO sur le jeu de données.
Structure du jeu de données#
Le jeu de données Argoverse-HD sur Platform conserve les trois sous-ensembles prédéfinis :
| Partition | Images | Annotations |
|---|---|---|
| Entraînement | 39,384 | Oui |
| Validation | 15,062 | Oui |
| Test | 12,507 | Sans étiquettes (défi eval.ai) |
Toutes les images partagent les mêmes 8 classes d’objets (indices de 0 à 7) : personne, vélo, voiture, moto, bus, camion, feu de circulation et panneau stop.
Ultralytics télécharge le jeu de données depuis Platform et convertit automatiquement ses annotations en étiquettes de détection YOLO ; aucun prétraitement manuel n’est donc nécessaire.
Applications#
Le jeu de données Argoverse-HD prend en charge un large éventail d'applications de détection d'objets pour la conduite autonome :
- Perception pour la conduite autonome — détecte les véhicules, les piétons et les cyclistes à l’aide d’une caméra orientée vers l’avant afin de faciliter la navigation des véhicules autonomes.
- Systèmes avancés d’aide à la conduite (ADAS) — reconnais les feux de circulation et les panneaux stop pour envoyer des alertes en temps réel aux conducteurs.
- Surveillance du trafic — compte et suit les usagers de la route dans des scènes urbaines pour les analyses des villes intelligentes.
- Recherche et prototypage — un benchmark vaste et représentatif du monde réel pour apprendre l’entraînement de modèles et la prédiction à partir de données de conduite.
Fichier YAML du jeu de données#
Un fichier YAML définit la configuration du jeu de données, notamment les chemins, les classes et d’autres informations pertinentes. Pour le jeu de données Argoverse, le fichier Argoverse.yaml est géré à l’adresse 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))Utilisation#
Pour entraîner un modèle YOLO26n sur le jeu de données Argoverse pendant 100 époques, avec une taille d’image de 640, utilise les exemples de code suivants.
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle
results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)Une fois l'entraînement terminé, lance l'inférence avec le modèle affiné sur de nouvelles images ou vidéos de conduite :
from ultralytics import YOLO
# Charger un modèle
model = YOLO("path/to/best.pt") # charger un modèle Argoverse affiné
# Inférence avec le modèle
results = model.predict("path/to/driving-scene.jpg")Données et annotations d’exemple#
Le jeu de données Argoverse-HD contient des images de conduite haute résolution prises par une caméra centrale avant circulaire, annotées avec des boîtes englobantes 2D pour les 8 classes d’objets. Voici un exemple d’image du jeu de données avec ses annotations correspondantes :

- Scène de conduite annotée : cette image montre des objets routiers — notamment des véhicules et des piétons — étiquetés avec des boîtes englobantes 2D, le format que les modèles YOLO apprennent à prédire pendant l’entraînement.
Citations et remerciements#
Les annotations de détection 2D Argoverse-HD utilisées dans ce jeu de données proviennent des travaux de Carnegie Mellon University sur la perception en continu. Si tu utilises ce jeu de données dans tes recherches ou tes travaux de développement, cite-le comme suit :
@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}
}Nous tenons à remercier Carnegie Mellon University pour les annotations de détection Argoverse-HD et Argo AI pour la création du jeu de données Argoverse d’origine, une ressource précieuse pour la communauté de recherche sur la conduite autonome.
FAQ#
Le jeu de données Argoverse d’Ultralytics (Argoverse-HD) est un jeu de données de détection d’objets 2D comprenant 54 446 images de conduite autonome réparties en 8 classes : personne, vélo, voiture, moto, bus, camion, feu de circulation et panneau stop. Il sert à entraîner et à évaluer des modèles qui détectent les objets routiers à partir d’une caméra orientée vers l’avant d’un véhicule, et facilite la recherche sur la perception pour la conduite autonome, les systèmes avancés d’aide à la conduite (ADAS) et la surveillance du trafic.
Le jeu de données Argoverse-HD comprend 8 classes (personne, vélo, voiture, moto, bus, camion, feu de circulation et panneau stop) et 54 446 images annotées — 39 384 pour l’entraînement et 15 062 pour la validation — ainsi qu’une partition de test sans étiquettes réservée au défi eval.ai.
Dans Ultralytics, il s’agit d’un jeu de données de détection d’objets 2D (images Argoverse-HD prises par caméra avec des boîtes englobantes 2D), et non de la suite de recherche plus générale Argoverse consacrée au suivi 3D, à la prévision de mouvement ou au LiDAR. Tu peux l’entraîner avec un modèle de détection standard tel que
yolo26n.pt.Définis
ULTRALYTICS_API_KEYet entraîne directement le modèle à partir de l’URL du jeu de données sur Platform :Exemplefrom ultralytics import YOLO # Charger un modèle model = YOLO("yolo26n.pt") # charger un modèle préentraîné (recommandé pour l’entraînement) # Entraîner le modèle results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)Pour une explication détaillée des arguments, consulte la page Entraînement du modèle.
Télécharge Argoverse depuis Ultralytics Platform. Une fois
ULTRALYTICS_API_KEYdéfini, tu peux passer directement cette URL comme argumentdatade l’entraînement ; Ultralytics télécharge le jeu de données et prépare automatiquement ses étiquettes YOLO.Oui. Ouvre Argoverse-HD sur Ultralytics Platform pour explorer ses images et ses annotations, le cloner et entraîner des modèles de détection d’objets dans le cloud. Tu peux également parcourir les jeux de données associés dans la présentation des jeux de données de détection.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.



