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.
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:
| Subset | Immagini | Etichette |
|---|---|---|
| Addestra | 39,384 | Sì |
| Validazione | 15,062 | Sì |
| Test | 12,507 | Senza 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.
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 🚀 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.
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:
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 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:
@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_KEYe avvia l'addestramento direttamente dall'URL del dataset su Platform:Esempiofrom 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 argomentodataper 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.



