Meet YOLO26: next-gen vision AI.

Link to this sectionDataset VisDrone#

Il VisDrone Dataset è un benchmark su larga scala creato dal team AISKYEYE presso il Laboratorio di Machine Learning e Data Mining dell'Università di Tianjin, in Cina. Contiene dati di ground truth accuratamente annotati per diverse attività di computer vision legate all'analisi di immagini e video basata su droni.



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

VisDrone è composto da 288 clip video con 261.908 fotogrammi e 10.209 immagini statiche, catturati da varie telecamere montate su droni. Il dataset copre un'ampia gamma di aspetti, tra cui posizione (14 diverse città in Cina), ambiente (urbano e rurale), oggetti (pedoni, veicoli, biciclette, ecc.) e densità (scene sparse e affollate). Il dataset è stato raccolto utilizzando varie piattaforme di droni in diversi scenari e condizioni meteorologiche e di illuminazione. Questi fotogrammi sono annotati manualmente con oltre 2,6 milioni di bounding box di target come pedoni, auto, biciclette e tricicli. Sono forniti anche attributi come la visibilità della scena, la classe dell'oggetto e l'occlusione per un migliore utilizzo dei dati.

Link to this sectionStruttura del dataset#

Il dataset VisDrone è organizzato in cinque sottogruppi principali, ciascuno focalizzato su un'attività specifica:

  1. Attività 1: Object detection nelle immagini
  2. Attività 2: Object detection nei video
  3. Attività 3: Tracciamento di singoli oggetti
  4. Attività 4: Multi-object tracking
  5. Attività 5: Conteggio della folla

Link to this sectionApplicazioni#

Il dataset VisDrone è ampiamente utilizzato per addestrare e valutare modelli di deep learning in attività di computer vision basate su droni, come l'object detection, il tracciamento di oggetti e il conteggio della folla. La serie diversificata di dati dei sensori, annotazioni di oggetti e attributi del dataset lo rendono una risorsa preziosa per ricercatori e professionisti nel campo della computer vision basata su droni.

Link to this sectionYAML del dataset#

Viene utilizzato un file YAML (Yet Another Markup Language) per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le classi e altre informazioni rilevanti. Nel caso del dataset Visdrone, il file VisDrone.yaml è mantenuto su 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

Link to this sectionUtilizzo#

Per addestrare un modello YOLO26n sul dataset VisDrone per 100 epoch con una dimensione dell'immagine di 640, puoi utilizzare i seguenti snippet di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di Training del modello.

Esempio di training
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)

Link to this sectionDati ed annotazioni di esempio#

Il dataset VisDrone contiene un set diversificato di immagini e video catturati da telecamere montate su droni. Ecco alcuni esempi di dati provenienti dal dataset, insieme alle relative annotazioni:

Immagini aeree di droni del dataset VisDrone con object detection

  • Attività 1: Object detection nelle immagini - Questa immagine mostra un esempio di object detection nelle immagini, dove gli oggetti sono annotati con bounding box. Il dataset fornisce un'ampia varietà di immagini scattate da diverse posizioni, ambienti e densità per facilitare lo sviluppo di modelli per questa attività.

L'esempio mostra la varietà e la complessità dei dati nel dataset VisDrone e sottolinea l'importanza di dati dei sensori di alta qualità per le attività di computer vision basate su droni.

Link to this sectionCitazioni e ringraziamenti#

Se utilizzi il dataset VisDrone nel tuo lavoro di ricerca o sviluppo, cita il seguente articolo:

Citazione
@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}}

Vorremmo ringraziare il team AISKYEYE presso il Laboratorio di Machine Learning e Data Mining, dell'Università di Tianjin, in Cina, per aver creato e mantenuto il dataset VisDrone come risorsa preziosa per la comunità di ricerca sulla computer vision basata su droni. Per ulteriori informazioni sul dataset VisDrone e i suoi creatori, visita il repository GitHub del VisDrone Dataset.

Link to this sectionFAQ#

Link to this sectionCos'è il VisDrone Dataset e quali sono le sue caratteristiche principali?#

Il VisDrone Dataset è un benchmark su larga scala creato dal team AISKYEYE presso l'Università di Tianjin, in Cina. È progettato per diverse attività di computer vision legate all'analisi di immagini e video basata su droni. Le caratteristiche principali includono:

  • Composizione: 288 clip video con 261.908 fotogrammi e 10.209 immagini statiche.
  • Annotazioni: Oltre 2,6 milioni di bounding box per oggetti come pedoni, auto, biciclette e tricicli.
  • Diversità: Raccolto in 14 città, in contesti urbani e rurali, in diverse condizioni meteorologiche e di illuminazione.
  • Attività: Suddiviso in cinque attività principali: object detection in immagini e video, tracciamento di singoli oggetti e multi-oggetto, e conteggio della folla.

Link to this sectionCome posso utilizzare il VisDrone Dataset per addestrare un modello YOLO26 con Ultralytics?#

Per addestrare un modello YOLO26 sul dataset VisDrone per 100 epoch con una dimensione dell'immagine di 640, puoi seguire questi passaggi:

Esempio di training
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)

Per ulteriori opzioni di configurazione, fai riferimento alla pagina di Training del modello.

Link to this sectionQuali sono i principali sottogruppi del dataset VisDrone e le loro applicazioni?#

Il dataset VisDrone è suddiviso in cinque sottogruppi principali, ciascuno su misura per una specifica attività di computer vision:

  1. Attività 1: Object detection nelle immagini.
  2. Attività 2: Object detection nei video.
  3. Attività 3: Tracciamento di singoli oggetti.
  4. Attività 4: Multi-object tracking.
  5. Attività 5: Conteggio della folla.

Questi sottogruppi sono ampiamente utilizzati per addestrare e valutare modelli di deep learning in applicazioni basate su droni come la sorveglianza, il monitoraggio del traffico e la sicurezza pubblica.

Link to this sectionDove posso trovare il file di configurazione per il dataset VisDrone in Ultralytics?#

Il file di configurazione per il dataset VisDrone, VisDrone.yaml, si trova nel repository Ultralytics al seguente link: VisDrone.yaml.

Link to this sectionCome posso citare il dataset VisDrone se lo uso nella mia ricerca?#

Se utilizzi il dataset VisDrone nel tuo lavoro di ricerca o sviluppo, cita il seguente articolo:

Citazione
@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}
}
Collaboratori
GLglenn-jocher12RIRizwanMunawar3MAMatthewNoyce1JKjk4e1

Commenti