Jeu de données ADE20K#
Le jeu de données ADE20K est un benchmark à grande échelle de segmentation sémantique créé par MIT CSAIL. Il comprend 20 210 images d'entraînement et 2 000 images de validation densément annotées, réparties en 150 catégories intérieures, extérieures, d'objets et de matières de fond. C'est une ressource de référence pour entraîner et évaluer des modèles de compréhension dense des scènes avec Ultralytics YOLO.
Fonctionnalités clés#
- Le benchmark SceneParsing complet d'ADE20K comprend 25 562 images : 20 210 pour l'entraînement, 2 000 pour la validation et 3 352 pour le test. Les annotations des images de test ne sont pas publiées ; l'archive téléchargeable
ADEChallengeData2016et la configuration Ultralyticsade20k.yamln'utilisent donc que les partitions d'entraînement et de validation. - Le jeu de données couvre 150 classes sémantiques réparties entre les catégories intérieur, extérieur, objets et éléments de fond.
- Les annotations sont des masques de segmentation denses au niveau du pixel, adaptés à l’analyse de scènes.
Structure du jeu de données#
La configuration Ultralytics attend la structure officielle ADEChallengeData2016 :
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/ADE20K ne dispose d’aucun script de téléchargement automatique. Télécharge l’archive d’environ 1 Go ADEChallengeData2016.zip et extrais-la directement dans ton dossier datasets/. Le dossier racine de l’archive s’appelle déjà ADEChallengeData2016/, ce qui crée la structure datasets/ADEChallengeData2016/ conforme à la structure ci-dessus — ne crée pas toi-même un dossier ADEChallengeData2016 pour y extraire l’archive, sinon tu obtiendras un répertoire datasets/ADEChallengeData2016/ADEChallengeData2016/ imbriqué que le fichier YAML ne trouvera pas.
Le champ masks_dir est défini sur annotations : chaque image sous images/ est donc associée au masque correspondant sous annotations/. Les masques ADE20K d’origine utilisent des ID de classe source où 0 est ignoré, et la section label_mapping convertit les étiquettes valides 1 à 150 en ID d’entraînement contigus 0 à 149, les pixels ignorés étant associés à 255.
Applications#
ADE20K est largement utilisé pour entraîner et évaluer des modèles d’apprentissage profond en segmentation sémantique et en analyse de scènes. La diversité de ses catégories et la complexité de ses scènes en font un jeu de données précieux pour des applications telles que la navigation autonome, la robotique, la réalité augmentée et la retouche d’images.
La diversité des scènes intérieures et extérieures fait également d’ADE20K une référence de choix pour évaluer la capacité de généralisation des modèles entre différents domaines. Les modèles YOLO26 de segmentation sémantique préentraînés atteignent jusqu’à 51,5 mIoU sur l’ensemble de validation ADE20K — consulte la page des modèles de segmentation sémantique pour le tableau complet des résultats. Les jeux de données au format ADE20K sont également entièrement compatibles avec Ultralytics Platform pour la gestion des jeux de données et l’entraînement.
Fichier YAML du jeu de données#
Un fichier YAML de jeu de données définit les chemins ADE20K, les classes, le répertoire des masques et la correspondance des étiquettes. Le fichier ade20k.yaml est maintenu dans https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ade20k.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# ADE20K semantic segmentation dataset (150 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/ade20k
# Example usage: yolo semantic train data=ade20k.yaml model=yolo26n-sem-ade20k.pt
# parent
# ├── ultralytics
# └── datasets
# └── ADEChallengeData2016 ← downloads here (1 GB)
# └── images
# └── annotations
# Dataset root directory
path: ADEChallengeData2016
train: images/training
val: images/validation
masks_dir: annotations # semantic mask directory
# ADE20K 150-class labels
names:
0: wall
1: building
2: sky
3: floor
4: tree
5: ceiling
6: road
7: bed
8: windowpane
9: grass
10: cabinet
11: sidewalk
12: person
13: earth
14: door
15: table
16: mountain
17: plant
18: curtain
19: chair
20: car
21: water
22: painting
23: sofa
24: shelf
25: house
26: sea
27: mirror
28: rug
29: field
30: armchair
31: seat
32: fence
33: desk
34: rock
35: wardrobe
36: lamp
37: bathtub
38: railing
39: cushion
40: base
41: box
42: column
43: signboard
44: chest of drawers
45: counter
46: sand
47: sink
48: skyscraper
49: fireplace
50: refrigerator
51: grandstand
52: path
53: stairs
54: runway
55: case
56: pool table
57: pillow
58: screen door
59: stairway
60: river
61: bridge
62: bookcase
63: blind
64: coffee table
65: toilet
66: flower
67: book
68: hill
69: bench
70: countertop
71: stove
72: palm
73: kitchen island
74: computer
75: swivel chair
76: boat
77: bar
78: arcade machine
79: hovel
80: bus
81: towel
82: light
83: truck
84: tower
85: chandelier
86: awning
87: streetlight
88: booth
89: television receiver
90: airplane
91: dirt track
92: apparel
93: pole
94: land
95: bannister
96: escalator
97: ottoman
98: bottle
99: buffet
100: poster
101: stage
102: van
103: ship
104: fountain
105: conveyor belt
106: canopy
107: washer
108: plaything
109: swimming pool
110: stool
111: barrel
112: basket
113: waterfall
114: tent
115: bag
116: minibike
117: cradle
118: oven
119: ball
120: food
121: step
122: tank
123: trade name
124: microwave
125: pot
126: animal
127: bicycle
128: lake
129: dishwasher
130: screen
131: blanket
132: sculpture
133: hood
134: sconce
135: vase
136: traffic light
137: tray
138: ashcan
139: fan
140: pier
141: crt screen
142: plate
143: monitor
144: bulletin board
145: shower
146: radiator
147: glass
148: clock
149: flag
# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
0: ignore_label
1: 0
2: 1
3: 2
4: 3
5: 4
6: 5
7: 6
8: 7
9: 8
10: 9
11: 10
12: 11
13: 12
14: 13
15: 14
16: 15
17: 16
18: 17
19: 18
20: 19
21: 20
22: 21
23: 22
24: 23
25: 24
26: 25
27: 26
28: 27
29: 28
30: 29
31: 30
32: 31
33: 32
34: 33
35: 34
36: 35
37: 36
38: 37
39: 38
40: 39
41: 40
42: 41
43: 42
44: 43
45: 44
46: 45
47: 46
48: 47
49: 48
50: 49
51: 50
52: 51
53: 52
54: 53
55: 54
56: 55
57: 56
58: 57
59: 58
60: 59
61: 60
62: 61
63: 62
64: 63
65: 64
66: 65
67: 66
68: 67
69: 68
70: 69
71: 70
72: 71
73: 72
74: 73
75: 74
76: 75
77: 76
78: 77
79: 78
80: 79
81: 80
82: 81
83: 82
84: 83
85: 84
86: 85
87: 86
88: 87
89: 88
90: 89
91: 90
92: 91
93: 92
94: 93
95: 94
96: 95
97: 96
98: 97
99: 98
100: 99
101: 100
102: 101
103: 102
104: 103
105: 104
106: 105
107: 106
108: 107
109: 108
110: 109
111: 110
112: 111
113: 112
114: 113
115: 114
116: 115
117: 116
118: 117
119: 118
120: 119
121: 120
122: 121
123: 122
124: 123
125: 124
126: 125
127: 126
128: 127
129: 128
130: 129
131: 130
132: 131
133: 132
134: 133
135: 134
136: 135
137: 136
138: 137
139: 138
140: 139
141: 140
142: 141
143: 142
144: 143
145: 144
146: 145
147: 146
148: 147
149: 148
150: 149
# Download URL (manual): https://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zipUtilisation#
Pour entraîner un modèle YOLO26n-sem sur le jeu de données ADE20K pendant 100 époques, avec une taille d’image de 640, tu peux utiliser les extraits de code suivants. Pour consulter la liste complète des arguments disponibles, reporte-toi à la page Entraînement du modèle.
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n-sem-ade20k.pt") # charger un modèle préentraîné sur ADE20K (recommandé pour l’entraînement)
# Entraîner le modèle
results = model.train(data="ade20k.yaml", epochs=100, imgsz=640)Citations, licence et remerciements#
Les images ADE20K sont publiées pour une utilisation à des fins de recherche non commerciale et d’enseignement uniquement ; le logiciel d’annotation du jeu de données est soumis à une licence BSD-3 distincte. Toute utilisation commerciale nécessite l’autorisation du MIT CSAIL.
Si tu utilises le jeu de données ADE20K dans tes travaux de recherche ou de développement, cite l’article suivant :
@inproceedings{zhou2017scene,
title={Scene Parsing through ADE20K Dataset},
author={Zhou, Bolei and Zhao, Hang and Puig, Xavier and Fidler, Sanja and Barriuso, Adela and Torralba, Antonio},
booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
year={2017}
}Nous remercions le groupe de vision par ordinateur du MIT CSAIL d’avoir créé et maintenu cette ressource précieuse pour la communauté de la vision par ordinateur. Pour en savoir plus sur le jeu de données ADE20K et ses créateurs, consulte le site Web du jeu de données ADE20K.
FAQ#
Le jeu de données ADE20K est une référence à grande échelle pour l’analyse de scènes, utilisée en segmentation sémantique. Il comprend 20 210 images d’entraînement et 2 000 images de validation publiées librement, réparties dans 150 catégories couvrant les classes d’intérieur, d’extérieur, d’objets et d’éléments de fond. Les chercheurs utilisent ADE20K pour la diversité de ses scènes, la granularité de ses catégories et ses métriques d’évaluation normalisées, comme l’intersection moyenne sur l’union (mIoU), qui en font un jeu de données idéal pour évaluer les modèles de prédiction dense.
Pour entraîner un modèle YOLO26n-sem sur le jeu de données ADE20K pendant 100 époques, avec une taille d’image de 640, tu peux utiliser les extraits de code suivants. Pour consulter la liste détaillée des arguments disponibles, reporte-toi à la page Entraînement du modèle.
Exemple d’entraînementfrom ultralytics import YOLO # Charger un modèle model = YOLO("yolo26n-sem-ade20k.pt") # charger un modèle préentraîné sur ADE20K (recommandé pour l’entraînement) # Entraîner le modèle results = model.train(data="ade20k.yaml", epochs=100, imgsz=640)Le jeu de données ADE20K suit la structure officielle ADEChallengeData2016 : les images sont organisées sous
images/training/etimages/validation/, et les masques correspondants sousannotations/training/etannotations/validation/. Le fichier YAML Ultralytics associe chaque image à son masque via le champmasks_dir: annotationset utiliselabel_mappingpour convertir les ID de classe source1–150en ID d’entraînement contigus0–149, l’étiquette d’exclusion étant associée à255.Oui. Télécharge l’archive
ADEChallengeData2016.zip(environ 1 Go) et extrais-la directement dans ton dossierdatasets/avant l’entraînement — le dossier racine de l’archive s’appelle déjàADEChallengeData2016/. En l’extrayant à cet endroit (et non dans un dossier distinctADEChallengeData2016que tu aurais créé), tu obtiendras la structureimages/etannotations/attendue parade20k.yaml.Les masques d’annotation ADE20K contiennent des ID de classe source où
0désigne la classe à ignorer ou l’arrière-plan. La sectionlabel_mappingassocie les étiquettes valides1à150aux ID d’entraînement contigus0à149, et attribue255aux pixels ignorés afin de les exclure de la fonction de perte et des métriques pendant l’entraînement et la validation.Non. Les images ADE20K sont publiées selon des conditions qui limitent leur utilisation à la recherche non commerciale et à l’enseignement ; le logiciel d’annotation associé est soumis à une licence BSD-3 distincte. Contacte le MIT CSAIL pour connaître les options de licence commerciale.