Dataset ADE20K
Il dataset ADE20K è un benchmark di semantic segmentation e scene parsing su larga scala rilasciato dal MIT CSAIL. Fornisce immagini densamente annotate che coprono un'ampia varietà di categorie di interni, esterni, oggetti e materiali, rendendolo una risorsa essenziale per ricercatori e sviluppatori che lavorano su attività di comprensione densa della scena con i modelli Ultralytics YOLO.
Caratteristiche principali
- ADE20K contiene 20.210 immagini di addestramento, 2.000 immagini di validazione e 3.352 immagini di test.
- Il dataset copre 150 classi semantiche che abbracciano categorie di interni, esterni, oggetti e materiali.
- Le annotazioni sono maschere di segmentazione a livello di pixel adatte per il parsing denso della scena.
Struttura del dataset
La configurazione di Ultralytics prevede il layout ufficiale ADEChallengeData2016:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/Il campo masks_dir è impostato su annotations, quindi ogni immagine sotto images/ è abbinata alla sua maschera corrispondente sotto annotations/. Le maschere originali ADE20K utilizzano ID di etichetta sorgente in cui 0 viene ignorato, e la sezione label_mapping converte le etichette valide da 1 a 150 in ID di addestramento contigui da 0 a 149, mappando i pixel ignorati a 255.
Applicazioni
ADE20K è ampiamente utilizzato per addestrare e valutare modelli di deep learning nella segmentazione semantica e nel parsing della scena. Il suo insieme diversificato di categorie e le scene complesse lo rendono prezioso per applicazioni come navigazione autonoma, robotica, realtà aumentata e fotoritocco.
L'ampiezza delle scene in interni ed esterni rende ADE20K anche un solido benchmark per valutare la generalizzazione del modello tra i domini.
YAML del dataset
Un file YAML del dataset definisce i percorsi, le classi, la directory delle maschere e la mappatura delle etichette di ADE20K. Il file ade20k.yaml è mantenuto su 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.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): http://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zipUtilizzo
Per addestrare un modello YOLO26n-sem sul dataset ADE20K per 100 epochs con una dimensione dell'immagine di 512, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina Training del modello.
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="ade20k.yaml", epochs=100, imgsz=512)Citazioni e riconoscimenti
Se utilizzi il dataset ADE20K nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare il seguente articolo:
@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}
}Desideriamo ringraziare il MIT CSAIL Computer Vision Group per aver creato e mantenuto questa preziosa risorsa per la comunità della visione artificiale. Per ulteriori informazioni sul dataset ADE20K e sui suoi creatori, visita il sito web del dataset ADE20K.
FAQ
Cos'è il dataset ADE20K e perché è importante per la visione artificiale?
Il dataset ADE20K è un benchmark di scene parsing su larga scala utilizzato per la semantic segmentation. Contiene 25.562 immagini densamente annotate in 150 categorie che coprono classi di interni, esterni, oggetti e materiali. I ricercatori utilizzano ADE20K per via delle sue scene diversificate, l'insieme di categorie dettagliate e metriche di valutazione standardizzate come la mean Intersection over Union (mIoU), che lo rendono ideale per il benchmarking di modelli di predizione densa.
Come posso addestrare un modello YOLO utilizzando il dataset ADE20K?
Per addestrare un modello YOLO26n-sem sul dataset ADE20K per 100 epoche con una dimensione dell'immagine di 512, puoi utilizzare i seguenti frammenti di codice. Per un elenco dettagliato degli argomenti disponibili, fai riferimento alla pagina Training del modello.
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="ade20k.yaml", epochs=100, imgsz=512)Come è strutturato il dataset ADE20K?
Il dataset ADE20K segue il layout ufficiale ADEChallengeData2016, con immagini organizzate sotto images/training/ e images/validation/, e maschere corrispondenti sotto annotations/training/ e annotations/validation/. Il file YAML di Ultralytics associa ogni immagine alla sua maschera tramite il campo masks_dir: annotations e utilizza label_mapping per convertire gli ID etichetta sorgente da 1 a 150 in ID di addestramento contigui da 0 a 149, mappando l'etichetta di ignore a 255.
Perché ADE20K utilizza label_mapping?
Le maschere di annotazione ADE20K memorizzano gli ID etichetta sorgente dove 0 denota la classe di ignore o di sfondo. La sezione label_mapping mappa le etichette valide da 1 a 150 in ID di addestramento contigui da 0 a 149, e assegna 255 ai pixel ignorati in modo che vengano esclusi dalla perdita e dalle metriche durante l'addestramento e la validazione.