Dataset ADE20K#
Il dataset ADE20K è un benchmark su larga scala di segmentazione semantica sviluppato da MIT CSAIL, con 20.210 immagini di addestramento e 2.000 immagini di validazione annotate dettagliatamente in 150 categorie di ambienti interni, esterni, oggetti e sfondo. È una risorsa standard per addestrare e valutare modelli di comprensione densa delle scene con Ultralytics YOLO.
Funzionalità principali#
- Il benchmark completo SceneParsing di ADE20K comprende 25.562 immagini: 20.210 per l'addestramento, 2.000 per la validazione e 3.352 per il test. Le annotazioni delle immagini di test non sono distribuite pubblicamente, quindi l'archivio scaricabile
ADEChallengeData2016e la configurazione Ultralyticsade20k.yamlusano solo gli split di addestramento e validazione. - Il dataset comprende 150 classi semantiche distribuite tra categorie di ambienti interni, esterni, oggetti e sfondo.
- Le annotazioni sono maschere di segmentazione dense a livello di pixel, adatte all'analisi delle scene.
Struttura del dataset#
La configurazione Ultralytics richiede la struttura ufficiale ADEChallengeData2016:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/ADE20K non dispone di uno script per il download automatico. Scarica l'archivio ADEChallengeData2016.zip da ~1 GB ed estrailo direttamente nella cartella datasets/. La cartella principale dell'archivio si chiama già ADEChallengeData2016/, quindi otterrai datasets/ADEChallengeData2016/, conforme alla struttura precedente — non creare tu una cartella ADEChallengeData2016 ed estrai l'archivio al suo interno, altrimenti otterrai una directory annidata datasets/ADEChallengeData2016/ADEChallengeData2016/ che il file YAML non troverà.
Il campo masks_dir è impostato su annotations, quindi ogni immagine in images/ viene associata alla maschera corrispondente in annotations/. Le maschere ADE20K originali usano ID delle etichette di origine, dove 0 viene ignorato; 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 su 255.
Applicazioni#
ADE20K è ampiamente utilizzato per addestrare e valutare modelli di deep learning nella segmentazione semantica e nell'analisi delle scene. La varietà delle categorie e la complessità delle scene lo rendono prezioso per applicazioni come la navigazione autonoma, la robotica, la realtà aumentata e l'editing delle immagini.
L'ampia varietà di scene interne ed esterne rende inoltre ADE20K un benchmark efficace per valutare la generalizzazione dei modelli tra domini diversi. I modelli YOLO26 preaddestrati di segmentazione semantica raggiungono fino a 51,5 mIoU sul set di validazione ADE20K — consulta la pagina dei modelli di segmentazione semantica per la tabella completa del benchmark. I dataset in formato ADE20K sono inoltre pienamente compatibili con Ultralytics Platform per la gestione e l'addestramento dei dataset.
YAML del dataset#
Un file YAML del dataset definisce i percorsi di ADE20K, le classi, la directory delle maschere e la mappatura delle etichette. Il file ade20k.yaml è disponibile all'indirizzo 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): https://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zipUtilizzo#
Per addestrare un modello YOLO26n-sem sul dataset ADE20K per 100 epoche con una dimensione delle immagini di 512, puoi usare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Addestramento 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, licenza e ringraziamenti#
Le immagini ADE20K sono distribuite esclusivamente per uso non commerciale a fini di ricerca e istruzione; il software di annotazione del dataset è concesso in licenza separatamente secondo BSD-3. L'uso commerciale richiede l'autorizzazione di MIT CSAIL.
Se utilizzi il dataset ADE20K nella tua attività di ricerca o sviluppo, cita 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 computer vision. Per ulteriori informazioni sul dataset ADE20K e sui suoi creatori, visita il sito web del dataset ADE20K.
FAQ#
Il dataset ADE20K è un benchmark su larga scala per l'analisi delle scene, utilizzato per la segmentazione semantica, con 20.210 immagini di addestramento e 2.000 immagini di validazione distribuite pubblicamente in 150 categorie che comprendono classi di ambienti interni, esterni, oggetti e sfondo. I ricercatori utilizzano ADE20K per la varietà delle scene, l'insieme di categorie dettagliato e metriche di valutazione standardizzate come la media dell'intersezione sull'unione (mIoU), che lo rendono ideale per il benchmarking dei modelli di predizione densa.
Per addestrare un modello YOLO26n-sem sul dataset ADE20K per 100 epoche con una dimensione delle immagini di 512, puoi usare i seguenti frammenti di codice. Per un elenco dettagliato degli argomenti disponibili, consulta la pagina Addestramento del modello.
Esempio di addestramentofrom 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)Il dataset ADE20K segue la struttura ufficiale ADEChallengeData2016, con le immagini organizzate in
images/training/eimages/validation/e le maschere corrispondenti inannotations/training/eannotations/validation/. Il file YAML di Ultralytics associa ogni immagine alla relativa maschera tramite il campomasks_dir: annotationse usalabel_mappingper convertire gli ID delle etichette di origine da1a150in ID di addestramento contigui da0a149, mappando l'etichetta da ignorare su255.Sì. Scarica l'archivio
ADEChallengeData2016.zip(~1 GB) ed estrailo direttamente nella cartelladatasets/prima dell'addestramento — la cartella principale dell'archivio si chiama giàADEChallengeData2016/, quindi estraendolo in quella posizione (non in una cartella separataADEChallengeData2016creata da te) otterrai la strutturaimages/eannotations/richiesta daade20k.yaml.Le maschere di annotazione ADE20K memorizzano gli ID delle etichette di origine, dove
0indica la classe da ignorare o lo sfondo. La sezionelabel_mappingmappa le etichette valide da1a150in ID di addestramento contigui da0a149e assegna255ai pixel ignorati, così che vengano esclusi dalla funzione di perdita e dalle metriche durante l'addestramento e la validazione.No. Le immagini ADE20K sono distribuite secondo termini che ne limitano l'uso alla ricerca e all'istruzione non commerciali; il software di annotazione associato è concesso in licenza separatamente secondo BSD-3. Contatta MIT CSAIL per conoscere le opzioni di licenza commerciale.