Argoverseデータセット
Argoverseデータセットは、3Dトラッキング、モーション予測、ステレオ深度推定など、自動運転タスクの研究をサポートするために設計されたデータのコレクションです。Argo AIによって開発されたこのデータセットは、高解像度画像、LiDARポイントクラウド、地図データなど、幅広い高品質のセンサーデータを提供します。
注
Argoverseデータセット *.zip
トレーニングに必要なfileは、フォードによるArgo AIの閉鎖後、Amazon S3から削除されましたが、Ultralyticsが手動でダウンロードできるようにしました。 Google Drive.
主な特徴
- Argoverseには、29万件以上のラベル付き3Dオブジェクトトラックと、1,263の異なるシーンにわたる500万件のオブジェクトインスタンスが含まれています。
- データセットには、高解像度カメラ画像、LiDARポイントクラウド、および豊富に注釈が付けられたHDマップが含まれています。
- アノテーションには、オブジェクトの3Dバウンディングボックス、オブジェクトの軌跡、および軌道情報が含まれます。
- Argoverseは、3Dトラッキング、モーション予測、ステレオ深度推定など、さまざまなタスクに対応する複数のサブセットを提供します。
データセットの構造
Argoverseデータセットは、3つの主要なサブセットに編成されています。
- Argoverse 3D Tracking: このサブセットには、290Kを超えるラベル付き3Dオブジェクトトラックを含む113のシーンが含まれており、3Dオブジェクト追跡タスクに焦点を当てています。 LiDARポイントクラウド、カメラ画像、およびセンサーキャリブレーション情報が含まれています。
- Argoverse Motion Forecasting: このサブセットは、60時間の運転データから収集された324Kの車両軌跡で構成されており、モーション予測タスクに適しています。
- Argoverse Stereo Depth Estimation: このサブセットは、ステレオ深度推定タスク用に設計されており、グランドトゥルース深度推定のための対応するLiDARポイントクラウドを含む10Kを超えるステレオ画像ペアが含まれています。
アプリケーション
Argoverseデータセットは、3Dオブジェクト追跡、モーション予測、ステレオ深度推定などの自動運転タスクにおける深層学習モデルのトレーニングと評価に広く使用されています。データセットの多様なセンサーデータ、オブジェクトアノテーション、およびマップ情報は、自動運転分野の研究者や実務家にとって貴重なリソースとなっています。
データセット YAML
YAML(Yet Another Markup Language)ファイルは、データセットの構成を定義するために使用されます。これには、データセットのパス、クラス、およびその他の関連情報が含まれています。Argoverseデータセットの場合、 Argoverse.yaml
fileは以下で管理されています: 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) https://www.cs.cmu.edu/~mengtial/proj/streaming/ by Argo AI
# Documentation: https://docs.ultralytics.com/datasets/detect/argoverse/
# Example usage: yolo train data=Argoverse.yaml
# parent
# ├── ultralytics
# └── datasets
# └── Argoverse ← downloads here (31.5 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: 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: |
import json
from pathlib import Path
from ultralytics.utils import TQDM
from ultralytics.utils.downloads import download
def argoverse2yolo(set):
"""Convert Argoverse dataset annotations to YOLO format for object detection tasks."""
labels = {}
a = json.load(open(set, "rb"))
for annot in TQDM(a["annotations"], desc=f"Converting {set} to YOLOv5 format..."):
img_id = annot["image_id"]
img_name = a["images"][img_id]["name"]
img_label_name = f"{img_name[:-3]}txt"
cls = annot["category_id"] # instance class id
x_center, y_center, width, height = annot["bbox"]
x_center = (x_center + width / 2) / 1920.0 # offset and scale
y_center = (y_center + height / 2) / 1200.0 # offset and scale
width /= 1920.0 # scale
height /= 1200.0 # scale
img_dir = set.parents[2] / "Argoverse-1.1" / "labels" / a["seq_dirs"][a["images"][annot["image_id"]]["sid"]]
if not img_dir.exists():
img_dir.mkdir(parents=True, exist_ok=True)
k = str(img_dir / img_label_name)
if k not in labels:
labels[k] = []
labels[k].append(f"{cls} {x_center} {y_center} {width} {height}\n")
for k in labels:
with open(k, "w", encoding="utf-8") as f:
f.writelines(labels[k])
# Download 'https://argoverse-hd.s3.us-east-2.amazonaws.com/Argoverse-HD-Full.zip' (deprecated S3 link)
dir = Path(yaml["path"]) # dataset root dir
urls = ["https://drive.google.com/file/d/1st9qW3BeIwQsnR0t8mRpvbsSWIo16ACi/view?usp=drive_link"]
print("\n\nWARNING: Argoverse dataset MUST be downloaded manually, autodownload will NOT work.")
print(f"WARNING: Manually download Argoverse dataset '{urls[0]}' to '{dir}' and re-run your command.\n\n")
# download(urls, dir=dir)
# Convert
annotations_dir = "Argoverse-HD/annotations/"
(dir / "Argoverse-1.1" / "tracking").rename(dir / "Argoverse-1.1" / "images") # rename 'tracking' to 'images'
for d in "train.json", "val.json":
argoverse2yolo(dir / annotations_dir / d) # convert Argoverse annotations to YOLO labels
使用法
画像サイズ640でArgoverseデータセット上でYOLO11nモデルを100エポックトレーニングするには、次のコードスニペットを使用します。使用可能な引数の包括的なリストについては、モデルのトレーニングページを参照してください。
学習の例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="Argoverse.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=Argoverse.yaml model=yolo11n.pt epochs=100 imgsz=640
サンプルデータとアノテーション
Argoverseデータセットには、カメラ画像、LiDARポイントクラウド、HDマップ情報など、多様なセンサーデータが含まれており、自動運転タスクに豊富なコンテキストを提供します。以下は、データセットからのデータの例と、それに対応するアノテーションです。
- Argoverse 3D Tracking: この画像は、オブジェクトが3Dバウンディングボックスでアノテーションされている3Dオブジェクト追跡の例を示しています。 データセットは、このタスクのモデル開発を促進するために、LiDARポイントクラウドとカメラ画像を提供します。
この例は、Argoverseデータセットにおけるデータの多様性と複雑さを示しており、自動運転タスクにおける高品質なセンサーデータの重要性を強調しています。
引用と謝辞
Argoverse データセットを研究または開発で使用する場合は、次の論文を引用してください。
@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}
}
自動運転研究コミュニティにとって貴重なリソースであるArgoverseデータセットを作成および管理しているArgo AIに感謝いたします。Argoverseデータセットとその作成者の詳細については、ArgoverseデータセットのWebサイトをご覧ください。
よくある質問
Argoverseデータセットとは何ですか?また、その主な特徴は何ですか?
Argo AIによって開発されたArgoverseデータセットは、自動運転の研究をサポートしています。これには、1,263の異なるシーンにわたる290Kを超えるラベル付き3Dオブジェクトトラックと500万のオブジェクトインスタンスが含まれています。このデータセットは、高解像度カメラ画像、LiDARポイントクラウド、および注釈付きHDマップを提供し、3Dトラッキング、モーション予測、ステレオ深度推定などのタスクに役立ちます。
Argoverseデータセットを使用してUltralytics YOLOモデルをトレーニングするにはどうすればよいですか?
ArgoverseデータセットでYOLO11モデルをトレーニングするには、提供されているYAML構成ファイルと次のコードを使用します。
学習の例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="Argoverse.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=Argoverse.yaml model=yolo11n.pt epochs=100 imgsz=640
引数の詳細な説明については、モデルのトレーニングページを参照してください。
Argoverseデータセットでは、どのような種類のデータとアノテーションが利用できますか?
Argoverseデータセットには、高解像度カメラ画像、LiDARポイントクラウド、HDマップデータなど、さまざまなセンサーデータタイプが含まれています。アノテーションには、3Dバウンディングボックス、オブジェクトトラック、および軌道情報が含まれます。これらの包括的なアノテーションは、3Dオブジェクト追跡、モーション予測、ステレオ深度推定などのタスクにおける正確なモデルトレーニングに不可欠です。
Argoverseデータセットはどのように構成されていますか?
データセットは、3つの主要なサブセットに分割されています。
- Argoverse 3D Tracking: 290Kを超えるラベル付き3Dオブジェクトトラックを含む113のシーンが含まれており、3Dオブジェクト追跡タスクに焦点を当てています。 LiDARポイントクラウド、カメラ画像、およびセンサーキャリブレーション情報が含まれています。
- Argoverse Motion Forecasting: 60時間の運転データから収集された324Kの車両軌跡で構成されており、モーション予測タスクに適しています。
- Argoverse Stereo Depth Estimation: グランドトゥルース深度推定のための対応するLiDARポイントクラウドを含む10Kを超えるステレオ画像ペアが含まれています。
Amazon S3から削除されたArgoverseデータセットは、どこからダウンロードできますか?
Argoverseデータセット *.zip
以前はAmazon S3で入手可能だったfileは、Ultralyticsから手動でダウンロードできるようになりました。 Google Drive.
Argoverseデータセットで使用されるYAML構成ファイルは何に使用されますか?
YAMLファイルには、データセットのパス、クラス、その他の重要な情報が記述されています。Argoverseデータセットの場合、設定ファイルは、 Argoverse.yaml
)は、次のリンクにあります。 Argoverse.yaml.
YAML 構成の詳細については、datasetsガイドをご覧ください。