Inizia

Dataset Argoverse

Il dataset Argoverse di Ultralytics (Argoverse-HD) è un dataset 2D di rilevamento degli oggetti che comprende 54.446 immagini etichettate per la guida autonoma — 39.384 per l'addestramento e 15.062 per la validazione — distribuite in 8 classi: persona, bicicletta, automobile, motocicletta, autobus, camion, semaforo e segnale di stop. Le immagini sono acquisite dalla telecamera centrale anteriore ad anello di un veicolo e le annotazioni provengono dal progetto di percezione in streaming della Carnegie Mellon University, basato sui dati di guida Argoverse 1.1 di Argo AI. È un benchmark ampio e realistico per addestrare modelli di visione artificiale al rilevamento di oggetti stradali in scenari di guida autonoma.

Esplora Argoverse-HD sulla piattaforma Ultralytics per visualizzare in anteprima esempi annotati, esaminare le statistiche del dataset e clonarlo per l'addestramento.

Scarica da Ultralytics Platform

Usa Python 3.11 o versioni successive e imposta ULTRALYTICS_API_KEY su una chiave di Impostazioni Platform. Passa l'URL del dataset Argoverse come data per scaricare automaticamente le immagini e preparare le etichette YOLO. Anche la configurazione Argoverse.yaml scarica i dati da Platform quando il dataset non è disponibile localmente.

Funzionalità principali#

  • 8 classi di rilevamento degli oggetti: persona, bicicletta, auto, motocicletta, autobus, camion, semaforo e segnale di stop.
  • 54.446 immagini etichettate — 39.384 per l'addestramento e 15.062 per la convalida — più una suddivisione di test senza etichette riservata alla sfida eval.ai.
  • Fotogrammi 1920 × 1200 della telecamera ad anello anteriore centrale, acquisiti in scene urbane di guida autonoma.
  • Le annotazioni vengono convertite automaticamente nel formato YOLO al primo utilizzo, così il dataset può essere usato direttamente per addestrare i modelli Ultralytics YOLO per il rilevamento.

Struttura del dataset#

Il dataset Argoverse-HD su Platform mantiene i tre sottoinsiemi predefiniti:

SubsetImmaginiEtichette
Addestra39,384Sì
Validazione15,062Sì
Test12,507Senza etichette (sfida eval.ai)

Tutte le immagini condividono le stesse 8 classi di oggetti (indici 0–7): persona, bicicletta, auto, motocicletta, autobus, camion, semaforo e segnale di stop.

Conversione automatica in YOLO

Ultralytics scarica il dataset da Platform e converte automaticamente le annotazioni in etichette YOLO per il rilevamento, quindi non è necessario alcun preelaborazione manuale.

Applicazioni#

Il dataset Argoverse-HD supporta diverse applicazioni di rilevamento degli oggetti nella guida autonoma:

  • Percezione per la guida autonoma — rileva veicoli, pedoni e ciclisti da una telecamera rivolta in avanti per supportare la navigazione dei veicoli autonomi.
  • Sistemi avanzati di assistenza alla guida (ADAS) — riconoscono semafori e segnali di stop per fornire avvisi al conducente in tempo reale.
  • Monitoraggio del traffico — conta e traccia gli utenti della strada nelle scene urbane per le analisi delle smart city.
  • Ricerca e prototipazione — un benchmark ampio e basato sul mondo reale per apprendere l'addestramento dei modelli e la predizione su dati di guida.

YAML del dataset#

Un file YAML definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli pertinenti. Per il dataset Argoverse, il file Argoverse.yaml è gestito in https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yaml.

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
# Download: https://platform.ultralytics.com/ultralytics/datasets/argoverse (requires ULTRALYTICS_API_KEY)
# parent
# ├── ultralytics
# └── datasets
#     └── Argoverse ← existing local dataset

# 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: |
  from ultralytics.data.utils import check_det_dataset, convert_ndjson_to_yolo_if_needed

  data = convert_ndjson_to_yolo_if_needed("https://platform.ultralytics.com/ultralytics/datasets/argoverse")
  yaml.update(check_det_dataset(data))

Utilizzo#

Per addestrare un modello YOLO26n sul dataset Argoverse per 100 epoche con una dimensione delle immagini di 640, usa gli esempi di codice seguenti.

Esempio di addestramento
from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n.pt")  # carica un modello preaddestrato (consigliato per l'addestramento)

# Addestra il modello
results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)

Una volta completato l'addestramento, esegui l'inferenza con il modello perfezionato su nuove immagini o video di guida:

Esempio di inferenza
from ultralytics import YOLO

# Carica un modello
model = YOLO("path/to/best.pt")  # carica un modello Argoverse ottimizzato

# Inferenza con il modello
results = model.predict("path/to/driving-scene.jpg")

Dati di esempio e annotazioni#

Il dataset Argoverse-HD contiene immagini di guida ad alta risoluzione acquisite da una telecamera ad anello frontale centrale, annotate con riquadri di delimitazione 2D per le 8 classi di oggetti. Di seguito trovi un esempio di immagine del dataset con le relative annotazioni:

Scena di guida autonoma di Argoverse-HD con oggetti stradali annotati

  • Scena di guida annotata: questa immagine mostra oggetti stradali — come veicoli e pedoni — etichettati con riquadri di delimitazione 2D, il formato che i modelli YOLO imparano a predire durante l'addestramento.

Citazioni e ringraziamenti#

Le annotazioni per il rilevamento 2D di Argoverse-HD utilizzate in questo dataset provengono dal lavoro di Carnegie Mellon University sulla percezione in streaming. Se utilizzi il dataset nella tua ricerca o nel tuo sviluppo, cita:

Citazione
@inproceedings{li2020towards,
  title={Towards Streaming Perception},
  author={Li, Mengtian and Wang, Yu-Xiong and Ramanan, Deva},
  booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
  pages={473--488},
  year={2020}
}

@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}
}

Desideriamo ringraziare Carnegie Mellon University per le annotazioni di rilevamento di Argoverse-HD e Argo AI per aver creato il dataset Argoverse originale, una risorsa preziosa per la comunità di ricerca sulla guida autonoma.

Domande frequenti#

  • Il dataset Argoverse di Ultralytics (Argoverse-HD) è un dataset di rilevamento di oggetti 2D composto da 54.446 immagini di guida autonoma distribuite in 8 classi: persona, bicicletta, auto, motocicletta, autobus, camion, semaforo e segnale di stop. Serve per addestrare e valutare modelli che rilevano oggetti stradali da una telecamera del veicolo rivolta in avanti, supportando la ricerca sulla percezione per la guida autonoma, sugli ADAS e sul monitoraggio del traffico.

  • Il dataset Argoverse-HD contiene 8 classi (persona, bicicletta, auto, motocicletta, autobus, camion, semaforo e segnale di stop) e 54.446 immagini etichettate: 39.384 per l'addestramento e 15.062 per la validazione, oltre a uno split di test senza etichette riservato alla sfida eval.ai.

  • In Ultralytics è un dataset di rilevamento di oggetti 2D (fotogrammi di Argoverse-HD acquisiti da telecamere con riquadri di delimitazione 2D), non la suite di ricerca più ampia di Argoverse dedicata al tracciamento 3D, alla previsione del movimento o al LiDAR. Puoi addestrarlo con un modello di rilevamento standard come yolo26n.pt.

  • Imposta ULTRALYTICS_API_KEY e avvia l'addestramento direttamente dall'URL del dataset su Platform:

    Esempio
    from ultralytics import YOLO
    
    # Carica un modello
    model = YOLO("yolo26n.pt")  # carica un modello preaddestrato (consigliato per l'addestramento)
    
    # Addestra il modello
    results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)

    Per una spiegazione dettagliata degli argomenti, consulta la pagina Addestramento del modello.

  • Scarica Argoverse da Ultralytics Platform. Dopo aver impostato ULTRALYTICS_API_KEY, puoi passare direttamente questo URL come argomento data per l'addestramento; Ultralytics scarica il dataset e prepara automaticamente le etichette YOLO.

  • Sì. Apri Argoverse-HD su Ultralytics Platform per esplorarne le immagini e le annotazioni, clonarlo e addestrare modelli di rilevamento di oggetti nel cloud. Puoi anche consultare i dataset correlati nella panoramica dei dataset per il rilevamento.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.