Jeu de données VisDrone

Le Jeu de données VisDrone est un benchmark à grande échelle créé par l'équipe AISKYEYE au Laboratoire d'Apprentissage automatique et de fouille de données, à l'Université de Tianjin, en Chine. Il contient des données de vérité terrain soigneusement annotées pour diverses tâches de vision par ordinateur liées à l'analyse d'images et de vidéos par drone.

Watch: How to Train Ultralytics YOLO26 on the VisDrone Dataset | Aerial Detection | Complete Tutorial 🚀

VisDrone est composé de 288 clips vidéo avec 261 908 images et 10 209 images statiques, capturées par diverses caméras montées sur drone. Le jeu de données couvre un large éventail d'aspects, notamment l'emplacement (14 villes différentes à travers la Chine), l'environnement (urbain et rural), les objets (piétons, véhicules, vélos, etc.) et la densité (scènes clairsemées et bondées). Le jeu de données a été collecté en utilisant diverses plateformes de drones dans différents scénarios, conditions météorologiques et d'éclairage. Ces images sont annotées manuellement avec plus de 2,6 millions de boîtes englobantes de cibles telles que des piétons, des voitures, des vélos et des tricycles. Des attributs comme la visibilité de la scène, la classe d'objet et l'occlusion sont également fournis pour une meilleure utilisation des données.

Structure du jeu de données

Le jeu de données VisDrone est organisé en cinq sous-ensembles principaux, chacun se concentrant sur une tâche spécifique :

Tâche 1 : Détection d'objets dans les images
Tâche 2 : Détection d'objets dans les vidéos
Tâche 3 : Suivi d'objet unique
Tâche 4 : Suivi multi-objets
Tâche 5 : Comptage de foule

Applications

Le jeu de données VisDrone est largement utilisé pour entraîner et évaluer des modèles d'apprentissage profond dans des tâches de vision par ordinateur par drone telles que la détection d'objets, le suivi d'objets et le comptage de foule. L'ensemble diversifié de données de capteurs, d'annotations d'objets et d'attributs du jeu de données en fait une ressource précieuse pour les chercheurs et les praticiens dans le domaine de la vision par ordinateur par drone.

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. Dans le cas du jeu de données Visdrone, le fichier VisDrone.yaml est maintenu à https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VisDrone.yaml.

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 (2.3 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 directory

Utilisation

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

Exemple d'entraînement

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="VisDrone.yaml", epochs=100, imgsz=640)

Exemples de données et d'annotations

Le jeu de données VisDrone contient un ensemble diversifié d'images et de vidéos capturées par des caméras montées sur drone. Voici quelques exemples de données du jeu de données, accompagnés de leurs annotations correspondantes :

Imagerie aérienne par drone du jeu de données VisDrone avec détection d'objets

Tâche 1 : Détection d'objets dans les images - Cette image démontre un exemple de détection d'objets dans les images, où les objets sont annotés avec des boîtes englobantes. Le jeu de données fournit une grande variété d'images prises depuis différents endroits, environnements et densités pour faciliter le développement de modèles pour cette tâche.

L'exemple illustre la variété et la complexité des données du jeu de données VisDrone et souligne l'importance de données de capteurs de haute qualité pour les tâches de vision par ordinateur par drone.

Citations et remerciements

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

Citation

@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={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3119563}}

Nous souhaitons remercier l'équipe AISKYEYE du Laboratoire d'apprentissage automatique et de fouille de données, à l'Université de Tianjin, en Chine, pour avoir créé et maintenu le jeu de données VisDrone en tant que ressource précieuse pour la communauté de recherche en vision par ordinateur par drone. Pour plus d'informations sur le jeu de données VisDrone et ses créateurs, visite le dépôt GitHub du jeu de données VisDrone.

FAQ

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

Le jeu de données VisDrone est un benchmark à grande échelle créé par l'équipe AISKYEYE à l'Université de Tianjin, en Chine. Il est conçu pour diverses tâches de vision par ordinateur liées à l'analyse d'images et de vidéos par drone. Ses caractéristiques clés comprennent :

Composition : 288 clips vidéo avec 261 908 images et 10 209 images statiques.
Annotations : Plus de 2,6 millions de boîtes englobantes pour des objets comme les piétons, les voitures, les vélos et les tricycles.
Diversité : Collecté dans 14 villes, dans des environnements urbains et ruraux, dans différentes conditions météorologiques et d'éclairage.
Tâches : Divisé en cinq tâches principales — détection d'objets dans les images et les vidéos, suivi d'objet unique et suivi multi-objets, et comptage de foule.

Comment puis-je utiliser le jeu de données VisDrone pour entraîner un modèle YOLO26 avec Ultralytics ?

Pour entraîner un modèle YOLO26 sur le jeu de données VisDrone pendant 100 époques avec une taille d'image de 640, tu peux suivre ces étapes :

Exemple d'entraînement

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640)

Pour des options de configuration supplémentaires, merci de consulter la page Entraînement du modèle.

Quels sont les principaux sous-ensembles du jeu de données VisDrone et leurs applications ?

Le jeu de données VisDrone est divisé en cinq sous-ensembles principaux, chacun adapté à une tâche spécifique de vision par ordinateur :

Tâche 1 : Détection d'objets dans les images.
Tâche 2 : Détection d'objets dans les vidéos.
Tâche 3 : Suivi d'objet unique.
Tâche 4 : Suivi multi-objets.
Tâche 5 : Comptage de foule.

Ces sous-ensembles sont largement utilisés pour entraîner et évaluer des modèles d'apprentissage profond dans des applications par drone telles que la surveillance, la gestion du trafic et la sécurité publique.

Où puis-je trouver le fichier de configuration pour le jeu de données VisDrone dans Ultralytics ?

Le fichier de configuration pour le jeu de données VisDrone, VisDrone.yaml, se trouve dans le dépôt Ultralytics au lien suivant : VisDrone.yaml.

Comment puis-je citer le jeu de données VisDrone si je l'utilise dans mes recherches ?