Link to this sectionJeu de données Cityscapes#

Le jeu de données Cityscapes est un benchmark de semantic segmentation à grande échelle de scènes de rues urbaines capturées dans 50 villes européennes, avec 2 975 images d'entraînement finement annotées et 500 images de validation réparties en 19 classes. C'est l'un des jeux de données les plus utilisés pour la recherche sur la conduite autonome et la compréhension des scènes urbaines avec les modèles Ultralytics YOLO.

Link to this sectionFonctionnalités clés#

• Les annotations fines de Cityscapes comprennent 2 975 images d'entraînement et 500 images de validation réparties en 19 classes ; l'archive contient également 1 525 images de test, mais les masques publiés ne marquent que le véhicule ego et la bordure de l'image — les annotations de classe réelles sont retenues, et les scores officiels de l'ensemble de test nécessitent de soumettre les prédictions au serveur d'évaluation Cityscapes.
• Le jeu de données couvre 19 classes d'évaluation réparties dans les catégories surface, humain, véhicule, construction, objet, nature et ciel.
• Cityscapes fournit des métriques d'évaluation standardisées comme l'Intersection sur Union moyenne (mIoU) pour la segmentation sémantique, permettant une comparaison efficace des performances des modèles.
• Avant de t'engager dans le téléchargement manuel d'environ 11 Go, vérifie ton pipeline d'entraînement avec le sous-ensemble de 8 images Cityscapes8.

Link to this sectionStructure du jeu de données#

La configuration Ultralytics attend la disposition suivante après préparation :

cityscapes/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── masks/
    ├── train/
    ├── val/
    └── test/

Les masques sémantiques sont des fichiers PNG à canal unique. Les identifiants de classe originaux de Cityscapes sont mappés vers les 19 identifiants d'entraînement standard via la section label_mapping, et les étiquettes ignorées ou vides sont mappées sur 255 afin d'être exclues de l'entraînement et de l'évaluation.

Link to this sectionApplications#

Cityscapes est largement utilisé pour entraîner et évaluer des modèles de deep learning en segmentation sémantique, particulièrement pour la conduite autonome, les systèmes avancés d'aide à la conduite (ADAS) et la robotique urbaine.

Ses images haute résolution et ses annotations détaillées le rendent également précieux pour la recherche sur l'analyse de scène en temps réel, la compréhension des voies et des obstacles, et toute tâche nécessitant une compréhension dense au niveau du pixel d'environnements urbains complexes. Les modèles de semantic segmentation pré-entraînés YOLO26 atteignent jusqu'à 83,6 mIoU sur l'ensemble de validation Cityscapes — consulte la page des modèles de semantic segmentation pour le tableau complet des benchmarks. Les annotations Cityscapes sont également disponibles sur la plateforme Ultralytics pour la navigation et la gestion des jeux de données.

Link to this sectionYAML du jeu de données#

Un fichier YAML de jeu de données définit les chemins, les classes, le répertoire des masques et le mappage des labels pour Cityscapes. Le fichier cityscapes.yaml est maintenu à https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/cityscapes.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes
# Example usage: yolo semantic train data=cityscapes.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
#     └── cityscapes ← downloads here (11 GB)
#         └── images
#         └── masks

# Dataset root directory
path: cityscapes # dataset root dir
train: images/train # train images (relative to 'path') 2975 images
val: images/val # val images (relative to 'path') 500 images
test: images/test # test images (relative to 'path') 1525 images

masks_dir: masks # semantic mask directory

# Cityscapes 19-class labels
names:
  0: road
  1: sidewalk
  2: building
  3: wall
  4: fence
  5: pole
  6: traffic light
  7: traffic sign
  8: vegetation
  9: terrain
  10: sky
  11: person
  12: rider
  13: car
  14: truck
  15: bus
  16: train
  17: motorcycle
  18: bicycle

# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
  -1: ignore_label
  0: ignore_label
  1: ignore_label
  2: ignore_label
  3: ignore_label
  4: ignore_label
  5: ignore_label
  6: ignore_label
  7: 0
  8: 1
  9: ignore_label
  10: ignore_label
  11: 2
  12: 3
  13: 4
  14: ignore_label
  15: ignore_label
  16: ignore_label
  17: 5
  18: ignore_label
  19: 6
  20: 7
  21: 8
  22: 9
  23: 10
  24: 11
  25: 12
  26: 13
  27: 14
  28: 15
  29: ignore_label
  30: ignore_label
  31: 16
  32: 17
  33: 18

# Preparation script (requires manual Cityscapes download)
download: |
  from pathlib import Path
  from shutil import copy2

  cityscapes_dir = Path(yaml["path"])  # dataset root dir
  # Download and extract the official Cityscapes leftImg8bit and gtFine archives into cityscapes_dir first.
  leftimg8bit_dir = cityscapes_dir / "leftImg8bit"
  gtfine_dir = cityscapes_dir / "gtFine"

  for split in ("train", "val", "test"):
      print(f"Processing {split} set")
      src_image_dir = leftimg8bit_dir / split
      dst_image_dir = cityscapes_dir / "images" / split
      dst_mask_dir = cityscapes_dir / "masks" / split
      dst_image_dir.mkdir(parents=True, exist_ok=True)
      dst_mask_dir.mkdir(parents=True, exist_ok=True)

      image_paths = sorted(src_image_dir.rglob("*_leftImg8bit.png"))
      for image_path in image_paths:
          relative_path = image_path.relative_to(src_image_dir)
          mask_path = gtfine_dir / split / relative_path.parent / image_path.name.replace(
              "_leftImg8bit.png", "_gtFine_labelIds.png"
          )
          if not mask_path.exists():
              raise FileNotFoundError(f"Mask not found for {image_path}: {mask_path}")

          image_name = image_path.name.replace("_leftImg8bit", "")
          mask_name = mask_path.name.replace("_gtFine_labelIds", "")
          copy2(image_path, dst_image_dir / image_name)
          copy2(mask_path, dst_mask_dir / mask_name)

Link to this sectionUtilisation#

Pour entraîner un modèle YOLO26n-sem sur le jeu de données Cityscapes pendant 100 époques avec une taille d'image de 1024, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, réfère-toi à la page Entraînement du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cityscapes.yaml", epochs=100, imgsz=1024)

Link to this sectionCitations, licence et remerciements#

Cityscapes est publié sous une licence non commerciale personnalisée — gratuit pour la recherche académique et l'évaluation, mais l'utilisation commerciale, l'octroi de licences ou la redistribution des données nécessitent une autorisation distincte de l'équipe Cityscapes.

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

@inproceedings{Cordts2016Cityscapes,
  title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
  author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
  booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2016}
}

Nous tenons à remercier l'équipe de Cityscapes pour avoir créé et maintenu cette ressource précieuse pour les communautés de la conduite autonome et de la vision par ordinateur. Pour plus d'informations sur le jeu de données Cityscapes et ses créateurs, visite le site web du jeu de données Cityscapes.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données Cityscapes et pourquoi est-il important pour la vision par ordinateur ?#

Le jeu de données Cityscapes est un benchmark de semantic segmentation à grande échelle de scènes de rues urbaines à travers 50 villes européennes, largement utilisé comme référence standard pour la recherche sur la conduite autonome et l'ADAS. Ses 19 classes d'évaluation finement annotées, ses images haute résolution et sa métrique standardisée mean Intersection over Union (mIoU) en font l'un des benchmarks les plus cités pour les modèles de compréhension de scène dense.

Link to this sectionComment puis-je entraîner un modèle YOLO en utilisant le jeu de données Cityscapes ?#

Pour entraîner un modèle YOLO26n-sem sur le jeu de données Cityscapes pendant 100 époques avec une taille d'image de 1024, tu peux utiliser les extraits de code suivants. Pour une liste détaillée des arguments disponibles, réfère-toi à la page Entraînement du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="cityscapes.yaml", epochs=100, imgsz=1024)

Link to this sectionComment le jeu de données Cityscapes est-il structuré ?#

Après préparation, le jeu de données est organisé dans les répertoires images/{train,val,test}/ et masks/{train,val,test}/, chaque image étant associée à un masque PNG à canal unique. Le fichier YAML Ultralytics associe chaque image à son masque via le champ masks_dir: masks et utilise label_mapping pour convertir les identifiants de classe Cityscapes originaux en 19 identifiants d'entraînement continus standard, en mappant les étiquettes ignorées et vides sur 255. Les masques du split test ne marquent que le véhicule ego et les régions de bordure, donc utilise val pour les vérifications de mIoU locales.

Link to this sectionDois-je télécharger Cityscapes manuellement ?#

Oui. Crée un compte sur le site web de Cityscapes et télécharge les archives leftImg8bit_trainvaltest.zip et gtFine_trainvaltest.zip (environ 11 Go au total). Extrais-les dans la racine du jeu de données cityscapes — Ultralytics les réorganise automatiquement dans la structure images/ et masks/ attendue lors de ton premier entraînement.

Link to this sectionPourquoi Cityscapes utilise-t-il label_mapping ?#

Les masques source de Cityscapes stockent des IDs de label originaux qui diffèrent des 19 IDs d'entraînement utilisés pour l'évaluation. La section label_mapping convertit les labels valides en IDs de classe contigus 0–18, et assigne 255 aux labels ignorés et vides afin qu'ils soient exclus de la perte et des métriques pendant l'entraînement et la validation.

Link to this sectionLe jeu de données Cityscapes est-il gratuit pour une utilisation commerciale ?#

Non. Cityscapes est publié sous une licence non commerciale qui autorise la recherche académique, l'enseignement et l'évaluation, mais interdit l'utilisation commerciale, l'octroi de licences ou la vente du jeu de données ou de travaux dérivés. Contacte directement l'équipe Cityscapes pour connaître les options de licence commerciale.