Jeu de données VisDrone
Le jeu de données VisDrone est un benchmark à grande échelle d’images prises par drone. Son sous-ensemble de détection (VisDrone2019-DET) comprend 8,629 images aériennes — 6,471 pour l’entraînement, 548 pour la validation et 1,610 pour le test-dev — annotées avec 10 classes d’objets pour la détection d’objets. Il a été créé par l’équipe AISKYEYE du laboratoire de l’apprentissage automatique et de l’exploration de données de l’université de Tianjin, en Chine.
Regarder : Comment entraîner Ultralytics YOLO sur le jeu de données VisDrone | Détection aérienne | Tutoriel complet 🚀
Le benchmark VisDrone complet comprend 288 séquences vidéo (261,908 images) et 10,209 images fixes capturées par des caméras montées sur des drones dans 14 villes différentes de Chine. Il couvre des environnements urbains et ruraux, des scènes peu denses et bondées, ainsi que des conditions météorologiques et d’éclairage variées. Ses images contiennent plus de 2,6 millions de boîtes englobantes annotées manuellement, accompagnées d’attributs supplémentaires tels que la visibilité de la scène, la classe de l’objet et son occultation. La configuration Ultralytics VisDrone.yaml utilise le sous-ensemble d’images fixes VisDrone2019-DET de ce benchmark.
Fonctionnalités clés#
- Objets petits et nombreux : les vues aériennes rendent les cibles minuscules et rapprochées — les 548 images de validation contiennent à elles seules 38,759 boîtes annotées, soit environ 70 objets par image.
- Diversité des scènes : les images proviennent de 14 villes chinoises et couvrent des environnements urbains et ruraux, le jour et la nuit, ainsi que différentes conditions météorologiques.
- Annotations riches : plus de 2,6 millions de boîtes dans l’ensemble du benchmark, avec des attributs d’occultation et de visibilité.
- Partitions prédéfinies : des partitions fixes train / val / test-dev (6,471 / 548 / 1,610 images) pour une évaluation cohérente.
Structure du jeu de données#
La configuration VisDrone d’Ultralytics couvre le sous-ensemble d’images VisDrone2019-DET, réparti en trois parties :
| Partition | Images | Description |
|---|---|---|
| Entraînement | 6,471 | Images aériennes annotées utilisées pour entraîner le détecteur |
| Validation | 548 | Images utilisées pour l’évaluation pendant le développement |
| Test-dev | 1,610 | Images mises à part pour l’évaluation finale du modèle entraîné |
Une quatrième partition, test-challenge (1,580 images), est réservée à la compétition VisDrone et n’est pas téléchargée, ce qui explique pourquoi l’ensemble DET complet compte 10,209 images.
Le jeu de données annote 10 classes d’objets : pedestrian, people, bicycle, car, van, truck, tricycle, awning-tricycle, bus et motor. VisDrone distingue pedestrian (une personne debout ou en train de marcher) de people (une personne dans toute autre posture).
Lors de la première utilisation, le script de téléchargement convertit les annotations VisDrone d’origine au format YOLO et ignore les régions signalées comme ignorées (ce qui exclut également la catégorie « others », qui n’est pas utilisée).
Applications#
Les scènes denses de VisDrone et ses cibles minuscules en font une référence standard pour la détection de petits objets depuis des vues aériennes. Parmi les applications de vision par ordinateur pour drones courantes, on trouve :
- Surveillance du trafic et comptage des véhicules à partir de UAV
- Analyse des foules et surveillance pour la sécurité publique
- Inspection des infrastructures et des chantiers de construction
- Recherche en vision par ordinateur sur la détection de petits objets dans des scènes encombrées
Pour d’autres benchmarks d’images aériennes, consulte le jeu de données xView, axé sur les images satellite, ou le jeu de données DOTA-v2, qui utilise des boîtes orientées.
Fichier YAML du jeu de données#
Le fichier VisDrone.yaml définit la configuration du jeu de données — les chemins d’accès, les noms des classes et le script de téléchargement et de conversion automatiques. Il est maintenu dans le dépôt Ultralytics à https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VisDrone.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# VisDrone2019-DET dataset https://github.com/VisDrone/VisDrone-Dataset by Tianjin University
# Documentation: https://docs.ultralytics.com/datasets/detect/visdrone
# Example usage: yolo train data=VisDrone.yaml
# parent
# ├── ultralytics
# └── datasets
# └── VisDrone ← downloads here (~2 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: VisDrone # dataset root dir
train: images/train # train images (relative to 'path') 6471 images
val: images/val # val images (relative to 'path') 548 images
test: images/test # test-dev images (optional) 1610 images
# Classes
names:
0: pedestrian
1: people
2: bicycle
3: car
4: van
5: truck
6: tricycle
7: awning-tricycle
8: bus
9: motor
# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
import os
from pathlib import Path
import shutil
from ultralytics.utils.downloads import download
from ultralytics.utils import ASSETS_URL, TQDM
def visdrone2yolo(dir, split, source_name=None):
"""Convert VisDrone annotations to YOLO format with images/{split} and labels/{split} structure."""
from PIL import Image
source_dir = dir / (source_name or f"VisDrone2019-DET-{split}")
images_dir = dir / "images" / split
labels_dir = dir / "labels" / split
labels_dir.mkdir(parents=True, exist_ok=True)
# Move images to new structure
if (source_images_dir := source_dir / "images").exists():
images_dir.mkdir(parents=True, exist_ok=True)
for img in source_images_dir.glob("*.jpg"):
img.rename(images_dir / img.name)
for f in TQDM((source_dir / "annotations").glob("*.txt"), desc=f"Converting {split}"):
img_size = Image.open(images_dir / f.with_suffix(".jpg").name).size
dw, dh = 1.0 / img_size[0], 1.0 / img_size[1]
lines = []
with open(f, encoding="utf-8") as file:
for row in [x.split(",") for x in file.read().strip().splitlines()]:
if row[4] != "0": # Skip ignored regions
x, y, w, h = map(int, row[:4])
cls = int(row[5]) - 1
# Convert to YOLO format
x_center, y_center = (x + w / 2) * dw, (y + h / 2) * dh
w_norm, h_norm = w * dw, h * dh
lines.append(f"{cls} {x_center:.6f} {y_center:.6f} {w_norm:.6f} {h_norm:.6f}\n")
(labels_dir / f.name).write_text("".join(lines), encoding="utf-8")
# Download (ignores test-challenge split)
dir = Path(yaml["path"]) # dataset root dir
urls = [
f"{ASSETS_URL}/VisDrone2019-DET-train.zip",
f"{ASSETS_URL}/VisDrone2019-DET-val.zip",
f"{ASSETS_URL}/VisDrone2019-DET-test-dev.zip",
# f"{ASSETS_URL}/VisDrone2019-DET-test-challenge.zip",
]
download(urls, dir=dir, threads=4)
# Convert
splits = {"VisDrone2019-DET-train": "train", "VisDrone2019-DET-val": "val", "VisDrone2019-DET-test-dev": "test"}
for folder, split in splits.items():
visdrone2yolo(dir, split, folder) # convert VisDrone annotations to YOLO labels
shutil.rmtree(dir / folder) # cleanup original directoryUtilisation#
VisDrone se télécharge automatiquement lors du premier entraînement — trois archives totalisant environ 2 Go — et nécessite environ 4 Go d’espace disque libre pendant l’extraction et la conversion.
Pour entraîner un modèle YOLO26n sur le jeu de données VisDrone pendant 100 époques, avec une taille d’image de 640, tu peux utiliser les extraits 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 - le jeu de données se télécharge automatiquement à la première exécution
results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640)Pour annoter d’autres images aériennes et gérer les exécutions d’entraînement VisDrone dans ton navigateur, utilise Ultralytics Platform.
Données et annotations d’exemple#
L’exemple ci-dessous montre une scène VisDrone typique : une vue aérienne d’une route très fréquentée où les piétons et les véhicules apparaissent comme de petites cibles rapprochées, souvent partiellement masquées les unes par les autres.

Citations et remerciements#
Si tu utilises le jeu de données VisDrone dans le cadre de tes recherches ou de tes travaux de développement, cite l’article suivant :
@ARTICLE{9573394,
author={Zhu, Pengfei and Wen, Longyin and Du, Dawei and Bian, Xiao and Fan, Heng and Hu, Qinghua and Ling, Haibin},
journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
title={Detection and Tracking Meet Drones Challenge},
year={2022},
volume={44},
number={11},
pages={7380-7399},
doi={10.1109/TPAMI.2021.3119563}}Nous souhaitons saluer l’équipe AISKYEYE du laboratoire d’apprentissage automatique et d’exploration de données de l’université de Tianjin, en Chine, pour avoir créé et maintenu le jeu de données VisDrone. Pour en savoir plus, consulte le dépôt GitHub du jeu de données VisDrone.
FAQ#
VisDrone sert à entraîner et à évaluer des détecteurs sur des images capturées par drone, où les objets sont petits, nombreux et vus d’en haut. La combinaison de vues aériennes, de scènes bondées et de conditions variées en fait un banc d’essai de référence pour la surveillance du trafic par UAV, l’analyse des foules et la recherche sur la détection de petits objets.
La configuration VisDrone d’Ultralytics contient 8,629 images : 6,471 pour l’entraînement, 548 pour la validation et 1,610 pour le test (test-dev). Les partitions partagent les mêmes 10 classes : pedestrian, people, bicycle, car, van, truck, tricycle, awning-tricycle, bus et motor. Consulte Structure du jeu de données pour obtenir la répartition complète.
VisDrone se télécharge automatiquement lors du premier entraînement avec
data="VisDrone.yaml"— aucune étape manuelle n’est nécessaire. Le script récupère trois archives (environ 2 Go) depuis les ressources de la version GitHub d’Ultralytics et convertit les annotations au format YOLO. La partition test-challenge réservée à la compétition n’est pas incluse.Entraîne un modèle YOLO26n sur VisDrone pendant 100 époques avec une taille d’image de 640 :
Exemple d’entraînementfrom 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="VisDrone.yaml", epochs=100, imgsz=640)Pour consulter les configurations détaillées, consulte la page Entraînement et les conseils d’entraînement des modèles.
Dans VisDrone, les objets sont minuscules par rapport à l'image — souvent de quelques dizaines de pixels seulement — et apparaissent en groupes denses, fortement occultés, ce qui met à rude épreuve les détecteurs ajustés sur des photos prises au niveau du sol. Entraîner le modèle et effectuer des prédictions à plus haute résolution (par exemple avec
imgsz=1280et une taille de lot plus petite) permet de retrouver les petites cibles, et le découpage en tuiles haute résolution découpe les grandes images afin que les petits objets occupent une plus grande partie de chaque fenêtre d'inférence.Le benchmark VisDrone complet couvre cinq tâches — détection d’objets dans des images, détection d’objets dans des vidéos, suivi d’un objet unique, suivi multi-objets et comptage de foule — sur 288 séquences vidéo et 10,209 images fixes. La configuration Ultralytics
VisDrone.yamlcouvre uniquement la tâche de détection dans les images (VisDrone2019-DET) et télécharge ses 6,471 images d’entraînement, 548 images de validation et 1,610 images de test-dev.Cite l’article « Detection and Tracking Meet Drones Challenge » (IEEE TPAMI, vol. 44, no 11, 2022, DOI 10.1109/TPAMI.2021.3119563) ; l’entrée BibTeX complète se trouve dans la section Citations et remerciements ci-dessus.
Commentaires24
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
arpithavkhanapur1226-collab
Thank you for the suggestions. I’ve tried the recommended changes and checked the dataset, including removing the degenerate bounding box, but I’m still facing the NaN issue around epoch 30. The best mAP I’m getting is only around 33.2%, which is far below the expected performance. I’ve tried several approaches already, but I’m not able to figure out what is causing the instability. Could you please help me identify what might be going wrong or suggest what I should specifically check next? ,I have attached my code and result below ,I would really appreciate your guidance.
visdrone2.ipynb
Paula DerrengerUltralyticsPlease rerun a clean baseline with the official
VisDrone.yaml, pretrained weights, and defaults; after correcting annotations, delete all*.cachefiles in the dataset’slabelsdirectories, and restart the notebook kernel if Ultralytics was upgraded. If NaNs persist, share the complete text training log/traceback, exactmodel.train(...)arguments, Ultralytics version, and output fromyolo checks; also try a smaller learning rate and higherimgszsuch as1280, since VisDrone contains many tiny objects.
arpithavkhanapur1226-collab
I’m training YOLOv12 on the VisDrone dataset, but I faced NaN losses after around epoch 29. I found a degenerate bounding box with zero height and removed it, but the NaN issue still occurred. I then tried DDPNet on VisDrone, but the validation performance started plateauing around epoch 14. Training is also very slow on a T4 (~4 hours for 12 epochs). Could you suggest what I should check or change to improve the training performance?
Paula DerrengerUltralyticsAfter correcting every invalid/non-finite label and ensuring normalized boxes have positive width/height, delete all
*.cachefiles inside thelabelsdirectories before retraining. Establish a baseline with a pretrained Ultralytics model atimgsz=640; then inspectresults.png, per-class AP, and the confusion matrix before changing augmentation or resolution. VisDrone contains many tiny, dense objects, so higher resolution may improve accuracy but will substantially slow a T4; use ann/smodel and the largest stable batch first. If NaNs persist, please share the exact training command, complete text logs around the first NaN, Ultralytics version, andyolo checksoutput; see the VisDrone training guide and fine-tuning troubleshooting.
mslabdelhak29
Hello can you offre a pretrained model i need it and i dont have source to entrain for 100 epochs
Glenn JocherUltralytics(modifié)Hi, we don’t currently provide an official YOLO model pretrained specifically on VisDrone, so the usual workflow is to start from a generic checkpoint like
yolo26n.ptand fine‑tune it on VisDrone; you can safely reduceepochs(e.g. 10–20) or train on a subset of the data in Colab to keep compute low, and the YOLO train mode docs show how to adjust these arguments.
ysharvit
I am looking for drone photos in desert area ( in order to develop rescue detection system (I volunteer in SAR unit)) Can I filter only desert BG pictures in your dataset?
Glenn JocherUltralytics(modifié)VisDrone doesn’t include scene/terrain metadata like “desert” (it’s largely urban/traffic), so there’s no built‑in way to filter for desert backgrounds; for SAR you’ll want to gather desert drone imagery and fine‑tune a COCO‑pretrained YOLO26 using the dataset setup in the Datasets Overview or manage it end‑to‑end with Ultralytics Platform datasets.
fardinabbasi
It would be very useful if someone could provide a list of pretrained YOLO models for the VisDrone dataset that are compatible with Ultralytics.
Glenn JocherUltralytics(modifié)Ultralytics doesn’t currently maintain an official list of VisDrone‑trained checkpoints; the recommended path is to fine‑tune a COCO‑pretrained YOLO26 variant (e.g.,
yolo26s.pt)—see the available base weights on the YOLO26 models page.
lawyeh
Hello, the example and the yaml file pull from the object detection in images dataset (task 1). How can I train the model for object detection in video (task )?
Glenn JocherUltralyticsFor video object detection (Task 2) with VisDrone, you'll use the same YOLO training process but process video frames as individual images. Ensure your dataset paths in VisDrone.yaml point to the video task's frame sequences (organized as images), then train normally. Video inference can be done with
model.predict(source='video.mp4')after training. For video-specific annotations, verify they're converted to YOLO format per frame.1
SudhanshuBlaze
I trained yolov10x on VisDrone dataset with the below parameters, but I got the final
box_lossof1.97. I feel that model performed very poorly, do you know what might be the issue? Or what hyperparameters should I use?from ultralytics import YOLO # Load a model model = YOLO("yolov10x.pt") # load a pretrained model (recommended for training) # Train the model results = model.train(data="VisDrone.yaml", epochs=1000, imgsz=640, patience=250, project='visdrone', name='train', batch=-1)
Glenn JocherUltralytics@SudhanshuBlaze it sounds like your model might be struggling with the complexity of the VisDrone dataset. First, ensure you're using the latest version of the Ultralytics package. You might also want to experiment with different learning rates, batch sizes, and augmentation techniques. Sometimes, reducing the learning rate or increasing the batch size can help stabilize training. Additionally, consider using early stopping to prevent overfitting. If the issue persists, reviewing the dataset for any inconsistencies or mislabeled data could also be beneficial. For more detailed guidance, you can refer to the VisDrone documentation.
mariem158
quelles sont les étapes pour télécharger roboflow100 sur google colab. je veux utiliser ce dataset pour faire la détection précise des véhicules filmés par des caméras ?
Paula DerrengerUltralytics(modifié)@mariem158 bonjour!
Pour télécharger et utiliser le dataset Roboflow100 sur Google Colab pour la détection précise des véhicules, vous pouvez suivre les étapes ci-dessous. Cependant, il semble que vous ayez mentionné le dataset VisDrone dans votre commentaire, donc je vais également inclure des informations sur ce dataset.
Étapes pour télécharger Roboflow100 sur Google Colab
-
Installer les dépendances nécessaires:
!pip install roboflow -
Importer et configurer Roboflow:
from roboflow import Roboflow rf = Roboflow(api_key="YOUR_API_KEY") project = rf.workspace().project("roboflow100") dataset = project.version("1").download("yolov8") -
Configurer le dataset pour l'entraînement:
from ultralytics import YOLO # Charger un modèle pré-entraîné model = YOLO("yolo26n.pt") # Entraîner le modèle results = model.train(data=dataset.location + "/data.yaml", epochs=100, imgsz=640)
Utilisation du dataset VisDrone
Le dataset VisDrone est une excellente ressource pour la détection d'objets, le suivi d'objets et le comptage de foules dans des images et vidéos capturées par des drones. Voici comment vous pouvez l'utiliser avec YOLO26:
-
Télécharger et configurer le dataset VisDrone:
from ultralytics import YOLO # Charger un modèle pré-entraîné model = YOLO("yolo26n.pt") # Entraîner le modèle results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640) -
YAML de configuration pour VisDrone:
# Ultralytics YOLO 🚀, AGPL-3.0 license # VisDrone2019-DET dataset https://github.com/VisDrone/VisDrone-Dataset by Tianjin University path: ../datasets/VisDrone train: VisDrone2019-DET-train/images val: VisDrone2019-DET-val/images test: VisDrone2019-DET-test-dev/images names: 0: pedestrian 1: people 2: bicycle 3: car 4: van 5: truck 6: tricycle 7: awning-tricycle 8: bus 9: motor
Pour plus de détails sur l'utilisation du dataset VisDrone, vous pouvez consulter la documentation complète ici : VisDrone Dataset Documentation.
N'hésitez pas à revenir vers nous si vous avez d'autres questions! 😊
Cordialement, L'équipe Ultralytics
-
mariem158
comment intégrer visdataset sur google colab et l'intégrer dans mon code qui détecte seulement des véhicules par des drones situé verticalement au dessus de la route.
Paula DerrengerUltralytics(modifié)Bonjour,
Merci pour votre question ! Pour intégrer le dataset VisDrone dans Google Colab et l'utiliser pour détecter uniquement des véhicules capturés par des drones, voici les étapes à suivre :
-
Configurer Google Colab:
- Assurez-vous d'avoir accès à un GPU pour accélérer l'entraînement. Allez dans
Runtime>Change runtime typeet sélectionnezGPU.
- Assurez-vous d'avoir accès à un GPU pour accélérer l'entraînement. Allez dans
-
Installer les dépendances:
- Installez les bibliothèques nécessaires, notamment
ultralyticspour YOLO26.
- Installez les bibliothèques nécessaires, notamment
-
Télécharger et préparer le dataset VisDrone:
- Utilisez le script de téléchargement et de conversion fourni dans le fichier
VisDrone.yaml.
- Utilisez le script de téléchargement et de conversion fourni dans le fichier
-
Entraîner le modèle:
- Chargez un modèle pré-entraîné YOLO26 et entraînez-le sur le dataset VisDrone en filtrant uniquement les classes de véhicules.
Voici un exemple de code pour chaque étape :
# Installer les dépendances !pip install ultralytics # Importer les bibliothèques nécessaires from ultralytics import YOLO import os from pathlib import Path # Télécharger et préparer le dataset VisDrone def download_visdrone(): from ultralytics.utils.downloads import download def visdrone2yolo(dir): from PIL import Image from tqdm import tqdm def convert_box(size, box): dw = 1. / size[0] dh = 1. / size[1] return (box[0] + box[2] / 2) * dw, (box[1] + box[3] / 2) * dh, box[2] * dw, box[3] * dh (dir / 'labels').mkdir(parents=True, exist_ok=True) pbar = tqdm((dir / 'annotations').glob('*.txt'), desc=f'Converting {dir}') for f in pbar: img_size = Image.open((dir / 'images' / f.name).with_suffix('.jpg')).size lines = [] with open(f, 'r') as file: for row in [x.split(',') for x in file.read().strip().splitlines()]: if row[4] == '0': continue cls = int(row[5]) - 1 box = convert_box(img_size, tuple(map(int, row[:4]))) lines.append(f"{cls} {' '.join(f'{x:.6f}' for x in box)}\n") with open(str(f).replace(f'{os.sep}annotations{os.sep}', f'{os.sep}labels{os.sep}'), 'w') as fl: fl.writelines(lines) dir = Path('../datasets/VisDrone') urls = [ 'https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-train.zip', 'https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-val.zip', 'https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-test-dev.zip', 'https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-test-challenge.zip' ] download(urls, dir=dir, curl=True, threads=4) for d in ['VisDrone2019-DET-train', 'VisDrone2019-DET-val', 'VisDrone2019-DET-test-dev']: visdrone2yolo(dir / d) download_visdrone() # Entraîner le modèle YOLO26 sur le dataset VisDrone model = YOLO("yolo26n.pt") # Charger un modèle pré-entraîné results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640)Pour plus de détails sur la configuration du dataset et les options d'entraînement, vous pouvez consulter la documentation complète ici.
N'hésitez pas à revenir vers nous si vous avez d'autres questions. Bonne chance avec votre projet ! 🚀
Cordialement, L'équipe Ultralytics
-
mariem158
comment je peux utiliser les modèles de visdrone et faire l'appel à ce dataset dans mon code pour faire la détection des véhicules par mon drone?
Paula DerrengerUltralytics(modifié)Bonjour,
Merci pour votre question ! Pour utiliser le dataset VisDrone et détecter uniquement les véhicules capturés par des drones, voici comment procéder sur Google Colab :
-
Configurer Google Colab:
- Assurez-vous d'avoir accès à un GPU pour accélérer l'entraînement. Allez dans
Runtime>Change runtime typeet sélectionnezGPU.
- Assurez-vous d'avoir accès à un GPU pour accélérer l'entraînement. Allez dans
-
Installer les dépendances:
- Installez les bibliothèques nécessaires, notamment
ultralyticspour YOLO26.
- Installez les bibliothèques nécessaires, notamment
-
Télécharger et préparer le dataset VisDrone:
- Utilisez le script de téléchargement et de conversion fourni dans le fichier
VisDrone.yaml.
- Utilisez le script de téléchargement et de conversion fourni dans le fichier
-
Entraîner le modèle:
- Chargez un modèle pré-entraîné YOLO26 et entraînez-le sur le dataset VisDrone en filtrant uniquement les classes de véhicules.
Voici un exemple de code pour chaque étape :
# Installer les dépendances !pip install ultralytics # Importer les bibliothèques nécessaires from ultralytics import YOLO import os from pathlib import Path # Télécharger et préparer le dataset VisDrone def download_visdrone(): from ultralytics.utils.downloads import download def visdrone2yolo(dir): from PIL import Image from tqdm import tqdm def convert_box(size, box): dw = 1. / size[0] dh = 1. / size[1] return (box[0] + box[2] / 2) * dw, (box[1] + box[3] / 2) * dh, box[2] * dw, box[3] * dh (dir / 'labels').mkdir(parents=True, exist_ok=True) pbar = tqdm((dir / 'annotations').glob('*.txt'), desc=f'Converting {dir}') for f in pbar: img_size = Image.open((dir / 'images' / f.name).with_suffix('.jpg')).size lines = [] with open(f, 'r') as file: for row in [x.split(',') for x in file.read().strip().splitlines()]: if row[4] == '0': continue cls = int(row[5]) - 1 box = convert_box(img_size, tuple(map(int, row[:4]))) lines.append(f"{cls} {' '.join(f'{x:.6f}' for x in box)}\n") with open(str(f).replace(f'{os.sep}annotations{os.sep}', f'{os.sep}labels{os.sep}'), 'w') as fl: fl.writelines(lines) dir = Path('../datasets/VisDrone') urls = [ 'https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-train.zip', 'https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-val.zip', 'https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-test-dev.zip', 'https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-test-challenge.zip' ] download(urls, dir=dir, curl=True, threads=4) for d in ['VisDrone2019-DET-train', 'VisDrone2019-DET-val', 'VisDrone2019-DET-test-dev']: visdrone2yolo(dir / d) download_visdrone() # Entraîner le modèle YOLO26 sur le dataset VisDrone model = YOLO("yolo26n.pt") # Charger un modèle pré-entraîné results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640)Pour plus de détails sur la configuration du dataset et les options d'entraînement, vous pouvez consulter la documentation complète ici.
N'hésitez pas à revenir vers nous si vous avez d'autres questions. Bonne chance avec votre projet ! 🚀
Cordialement, L'équipe Ultralytics
-
Elvis-Kiilu2
This is nice, but what's next after the detection? How do we send/retrieve the data to a given database? What further insights can we draw from the detected data? What other technologies can we intergrate to this to draw meaningful inferences??
Paula DerrengerUltralytics(modifié)After detection, you have a few options to extend the functionality:
-
Data Storage: To send and store detections on a database:
import sqlite3 from datetime import datetime from ultralytics import YOLO # Connect to SQLite database connection = sqlite3.connect('my_detections.db') cursor = connection.cursor() # Create table cursor.execute('''CREATE TABLE IF NOT EXISTS detections (timestamp DATETIME, class TEXT, confidence REAL, x REAL, y REAL, width REAL, height REAL)''') # Example insertion from detection results = YOLO("yolo26n.pt")("image.jpg")[0] names = results.names timestamp = datetime.now().isoformat() for det in results.boxes: cursor.execute('''INSERT INTO detections (timestamp, class, confidence, x, y, width, height) VALUES (?, ?, ?, ?, ?, ?, ?)''', (timestamp, names[int(det.cls)], float(det.conf), *det.xywh[0].tolist())) connection.commit() connection.close() -
Further Analysis: Analyze the time series of detections to observe trends, detect anomalies, or aggregate counts over time.
-
Integration with Other Technologies: Integrate with IoT platforms for real-time alerts or incorporate AI-based services for enhanced image analysis and decision-making processes.
These steps help bridge the gap between raw detection outputs and actionable insights or responses in real-world applications.
-
Elvis-Kiilu2
Thanks @pderrenger for the reply. I wanted to implement this for my next project. Your insights are a good starting point. My aim is to extract/read data from the detected class/boxes. Then compare and match the read data with with those in a database that in a cloud data warehouse, Bigquery to be specific.
Paula DerrengerUltralyticsHey there! It's great to hear you're planning to use YOLOv8 for your project. To extract and compare data from detected objects with your BigQuery database, you can follow these steps:
-
Extract Data: After detection, extract the necessary details from each detection (like class, confidence, and bounding box coordinates).
-
Format Data: Convert this data into a suitable format (like JSON or CSV) that can be easily ingested into BigQuery.
-
Upload to BigQuery: Use the BigQuery API to upload your formatted data. Here’s a small Python snippet using
google-cloud-bigquery:from google.cloud import bigquery # Construct a BigQuery client object. client = bigquery.Client() # Define your table ID (dataset.table) table_id = "your-project.your_dataset.your_table" # Define the data to be inserted rows_to_insert = [ {u"class": detected_class, u"confidence": confidence, u"x_min": x_min, u"y_min": y_min, u"width": width, u"height": height} ] # Insert data into BigQuery errors = client.insert_rows_json(table_id, rows_to_insert) if errors == []: print("New rows have been added.") -
Query and Analyze: Once your data is in BigQuery, you can use SQL queries to compare, analyze, and draw insights based on your specific needs.
This workflow will help you leverage the power of cloud computing to analyze large datasets efficiently. If you need further assistance or have more specific requirements, feel free to ask! 🚀
-



