Jeu de données Argoverse#

66,953

Argoverse-HD

ultralytics

publicDetect

Argoverse-HD pairs Argoverse 1.1 ring-front-center driving frames with Carnegie Mellon University's Streaming Perception annotations. Eight classes cover vehicles, pedestrians, cyclists, motorcycles, buses, traffic lights, and stop signs in urban road scenes.

8 classes23.5 GBSep 2, 2026

personbicyclecarmotorcycle+4

autonomous-drivingobject-detectionargoverse+1

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 centrale avant 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 à grande échelle, issu du monde réel, pour entraîner des modèles de vision par ordinateur à détecter les objets routiers dans des scénarios de conduite autonome.

Explore Argoverse-HD sur Ultralytics Platform pour prévisualiser des échantillons annotés, examiner les statistiques du jeu de données et le cloner pour l'entraînement.

Fonctionnalités clés#

• 8 classes de détection d'objets : personne, vélo, voiture, moto, bus, camion, feu de circulation et panneau stop.
• 54 446 images annotées — 39 384 pour l'entraînement et 15 062 pour la validation — ainsi qu'un sous-ensemble de test non annoté réservé au challenge eval.ai.
• ~31,5 Go d'images haute résolution capturées par une caméra centrale avant annulaire dans des scènes urbaines de conduite autonome.
• Les annotations sont automatiquement converties au format YOLO lors de la première utilisation, afin que le jeu de données puisse être entraîné directement avec les modèles de détection Ultralytics YOLO.

Structure du jeu de données#

Le jeu de données Argoverse-HD est divisé en trois sous-ensembles prédéfinis, définis par la configuration Argoverse.yaml :

Toutes les images partagent les mêmes 8 classes d'objets (indices 0–7) : personne, vélo, voiture, moto, bus, camion, feu de circulation et panneau stop.

Applications#

Le jeu de données Argoverse-HD prend en charge diverses applications de détection d'objets pour la conduite autonome :

• Perception pour la conduite autonome — détecter les véhicules, les piétons et les cyclistes à partir d'une caméra orientée vers l'avant pour faciliter la navigation des véhicules autonomes.
• Systèmes avancés d'aide à la conduite (ADAS) — reconnaître les feux de circulation et les panneaux stop pour fournir des alertes en temps réel au conducteur.
• Surveillance du trafic — compter et suivre les usagers de la route dans les scènes urbaines pour les analyses des villes intelligentes.
• Recherche et prototypage — un benchmark à grande échelle, issu du monde réel, pour l'apprentissage de l'entraînement des modèles et de la prédiction sur des données de conduite.

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
# 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

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. Pour obtenir la liste complète des arguments disponibles, consulte la page Entraînement du modèle.

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)

Une fois l'entraînement terminé, exécute l'inférence avec le modèle affiné sur de nouvelles images ou vidéos de conduite :

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")

Données et annotations d'exemple#

Le jeu de données Argoverse-HD contient des images de conduite haute résolution capturées par une caméra centrale avant annulaire, 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 travaux de recherche ou de développement, merci de citer :

@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 souhaitons remercier Carnegie Mellon University pour les annotations de détection Argoverse-HD et Argo AI pour avoir créé le jeu de données Argoverse original, une ressource précieuse pour la communauté de recherche sur la conduite autonome.

FAQ#