Jeu de données Argoverse

Le jeu de données Argoverse est une collection de données conçue pour soutenir la recherche sur les tâches de conduite autonome, telles que le suivi 3D, la prévision de mouvement et l'estimation de la profondeur stéréo. Développé par Argo AI, le jeu de données fournit une large gamme de données de capteurs de haute qualité, incluant des images haute résolution, des nuages de points LiDAR et des données cartographiques.

Fonctionnalités clés

• Argoverse contient plus de 290 000 trajectoires d'objets 3D étiquetées et 5 millions d'instances d'objets répartis sur 1 263 scènes distinctes.
• Le jeu de données inclut des images de caméra haute résolution, des nuages de points LiDAR et des cartes HD richement annotées.
• Les annotations incluent des BBox 3D pour les objets, des trajectoires d'objets et des informations de trajectoire.
• Argoverse fournit plusieurs sous-ensembles pour différentes tâches, telles que le suivi 3D, la prévision de mouvement et l'estimation de la profondeur stéréo.

Structure du jeu de données

Le jeu de données Argoverse est organisé en trois sous-ensembles principaux :

1. Argoverse 3D Tracking : Ce sous-ensemble contient 113 scènes avec plus de 290 000 trajectoires d'objets 3D étiquetées, en se concentrant sur les tâches de suivi d'objets 3D. Il inclut des nuages de points LiDAR, des images de caméra et des informations de calibration des capteurs.
2. Argoverse Motion Forecasting : Ce sous-ensemble consiste en 324 000 trajectoires de véhicules collectées à partir de 60 heures de données de conduite, adaptées aux tâches de prévision de mouvement.
3. Argoverse Stereo Depth Estimation : Ce sous-ensemble est conçu pour les tâches d'estimation de la profondeur stéréo et inclut plus de 10 000 paires d'images stéréo avec des nuages de points LiDAR correspondants pour l'estimation de la profondeur de référence.

Applications

Le jeu de données Argoverse est largement utilisé pour l'entraînement et l'évaluation de modèles de deep learning dans des tâches de conduite autonome comme le suivi d'objets 3D, la prévision de mouvement et l'estimation de la profondeur stéréo. L'ensemble diversifié de données de capteurs, les annotations d'objets et les informations cartographiques font de ce jeu de données une ressource précieuse pour les chercheurs et les praticiens dans le domaine de la conduite autonome.

YAML du jeu de données

Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins du jeu de données, les classes et d'autres informations pertinentes. Pour le cas du jeu de données Argoverse, le fichier Argoverse.yaml est maintenu sur 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

Utilisation

Pour entraîner un modèle YOLO26n sur le jeu de données Argoverse pendant 100 epochs avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consulte la page Training 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)

Exemples de données et d'annotations

Le jeu de données Argoverse contient un ensemble diversifié de données de capteurs, incluant des images de caméra, des nuages de points LiDAR et des informations cartographiques HD, fournissant un contexte riche pour les tâches de conduite autonome. Voici quelques exemples de données issues du jeu de données, accompagnés de leurs annotations correspondantes :

• Argoverse 3D Tracking : Cette image démontre un exemple de suivi d'objet 3D, où les objets sont annotés avec des BBox 3D. Le jeu de données fournit des nuages de points LiDAR et des images de caméra pour faciliter le développement de modèles pour cette tâche.

L'exemple met en avant la variété et la complexité des données dans le jeu de données Argoverse et souligne l'importance de données de capteurs de haute qualité pour les tâches de conduite autonome.

Citations et remerciements

Si tu utilises le jeu de données Argoverse dans tes travaux de recherche ou de développement, merci de citer l'article suivant :

@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 Argo AI pour la création et la maintenance du jeu de données Argoverse en tant que ressource précieuse pour la communauté de recherche en conduite autonome. Pour plus d'informations sur le jeu de données Argoverse et ses créateurs, visite le site web du jeu de données Argoverse.

FAQ

Qu'est-ce que le jeu de données Argoverse et quelles sont ses caractéristiques clés ?

Le jeu de données Argoverse, développé par Argo AI, soutient la recherche en conduite autonome. Il inclut plus de 290 000 trajectoires d'objets 3D étiquetées et 5 millions d'instances d'objets répartis sur 1 263 scènes distinctes. Le jeu de données fournit des images de caméra haute résolution, des nuages de points LiDAR et des cartes HD annotées, ce qui le rend précieux pour des tâches comme le suivi 3D, la prévision de mouvement et l'estimation de la profondeur stéréo.

Comment puis-je entraîner un modèle YOLO d'Ultralytics en utilisant le jeu de données Argoverse ?

Pour entraîner un modèle YOLO26 avec le jeu de données Argoverse, utilise le fichier de configuration YAML fourni et le code suivant :

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)

Pour une explication détaillée des arguments, consulte la page Training du modèle.

Quels types de données et d'annotations sont disponibles dans le jeu de données Argoverse ?

Le jeu de données Argoverse inclut divers types de données de capteurs tels que des images de caméra haute résolution, des nuages de points LiDAR et des données cartographiques HD. Les annotations incluent des BBox 3D, des trajectoires d'objets et des informations de trajectoire. Ces annotations complètes sont essentielles pour un entraînement précis des modèles dans des tâches comme le suivi d'objets 3D, la prévision de mouvement et l'estimation de la profondeur stéréo.

Comment le jeu de données Argoverse est-il structuré ?

Le jeu de données est divisé en trois sous-ensembles principaux :

1. Argoverse 3D Tracking : Contient 113 scènes avec plus de 290 000 trajectoires d'objets 3D étiquetées, en se concentrant sur les tâches de suivi d'objets 3D. Il inclut des nuages de points LiDAR, des images de caméra et des informations de calibration des capteurs.
2. Argoverse Motion Forecasting : Consiste en 324 000 trajectoires de véhicules collectées à partir de 60 heures de données de conduite, adaptées aux tâches de prévision de mouvement.
3. Argoverse Stereo Depth Estimation : Inclut plus de 10 000 paires d'images stéréo avec des nuages de points LiDAR correspondants pour l'estimation de la profondeur de référence.

Où puis-je télécharger le jeu de données Argoverse maintenant qu'il a été retiré d'Amazon S3 ?

Le fichier *.zip du jeu de données Argoverse, précédemment disponible sur Amazon S3, peut désormais être téléchargé manuellement depuis Google Drive.

À quoi sert le fichier de configuration YAML avec le jeu de données Argoverse ?

Un fichier YAML contient les chemins du jeu de données, les classes et d'autres informations essentielles. Pour le jeu de données Argoverse, le fichier de configuration, Argoverse.yaml, peut être trouvé au lien suivant : Argoverse.yaml.

Pour plus d'informations sur les configurations YAML, consulte notre guide datasets.