Argoverseデータセット
Ultralytics Argoverseデータセット(Argoverse-HD)は、自動運転画像54,446枚(トレーニング用39,384枚、検証用15,062枚)に8クラス(人、自転車、自動車、オートバイ、バス、トラック、信号機、一時停止標識)のラベルを付けた2D物体検出データセットです。画像は車両のリング前方中央カメラで撮影され、アノテーションはArgo AIのArgoverse 1.1走行データを基盤とするCarnegie Mellon Universityのストリーミング知覚プロジェクトから提供されています。自動運転シナリオで道路上の物体を検出するコンピュータービジョンモデルのトレーニングに適した、大規模で実環境に即したベンチマークです。
Ultralytics PlatformのArgoverse-HDでは、アノテーション付きサンプルのプレビュー、データセット統計の確認、トレーニング用のクローン作成ができます。
Python 3.11以降を使用し、ULTRALYTICS_API_KEYにPlatformの設定から取得したキーを設定します。ArgoverseデータセットのURLをdataとして渡すと、画像のダウンロードとYOLOラベルの準備が自動的に行われます。データセットがローカルに存在しない場合、Argoverse.yamlの設定でもPlatformからダウンロードされます。
主な機能#
- 物体検出クラス8種類:人、自転車、自動車、オートバイ、バス、トラック、信号機、一時停止標識。
- アノテーション付き画像54,446枚 — トレーニング用39,384枚、検証用15,062枚に加え、eval.aiチャレンジ用に確保されたラベルなしのテストセットがあります。
- 都市部の自動運転シーンで撮影された、1920 × 1200のリングフロントセンターカメラのフレームです。
- 初回使用時にアノテーションがYOLO形式へ自動変換されるため、データセットはUltralytics YOLO検出モデルでそのままトレーニングできます。
データセットの構成#
Platform上のArgoverse-HDデータセットでは、あらかじめ定義された3つのサブセットが保持されています。
| 分割 | 画像 | ラベル |
|---|---|---|
| 学習 | 39,384 | はい |
| 検証 | 15,062 | はい |
| テスト | 12,507 | ラベルなし(eval.aiチャレンジ) |
すべての画像で、8つのオブジェクトクラス(インデックス0~7)が共通して使用されています。person、bicycle、car、motorcycle、bus、truck、traffic light、stop signです。
UltralyticsはPlatformからデータセットをダウンロードし、アノテーションをYOLO検出ラベルに自動変換するため、手動での前処理は不要です。
用途#
Argoverse-HDデータセットは、自動運転における次のようなさまざまな物体検出アプリケーションに対応しています。
- 自動運転の認識 — 前方カメラから車両、歩行者、自転車利用者を検出し、自動運転車のナビゲーションを支援します。
- 先進運転支援システム(ADAS) — 交通信号や一時停止標識を認識し、ドライバーにリアルタイムで警告します。
- 交通モニタリング — 都市環境で道路利用者をカウントして追跡し、スマートシティ分析に活用します。
- 研究とプロトタイピング — 運転データを用いたモデルのトレーニングと推論を学習するための、大規模な実世界ベンチマークです。
データセットYAML#
YAMLファイルでは、パス、クラス、その他の関連情報を含むデータセット設定を定義します。Argoverseデータセットでは、Argoverse.yamlファイルがhttps://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yamlで管理されています。
# 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))使用方法#
以下のコード例を使用すると、Argoverseデータセットで画像サイズ640、100エポックの条件でYOLO26nモデルをトレーニングできます。
from ultralytics import YOLO
# モデルを読み込む
model = YOLO("yolo26n.pt") # 事前トレーニング済みモデルを読み込みます(トレーニングにはこちらを推奨します)
# モデルをトレーニングする
results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)トレーニング後、ファインチューニング済みモデルを使って、新しい走行画像または動画に対する推論を実行します。
from ultralytics import YOLO
# モデルを読み込む
model = YOLO("path/to/best.pt") # Argoverseでファインチューニングしたモデルを読み込む
# モデルを使用した推論
results = model.predict("path/to/driving-scene.jpg")サンプルデータとアノテーション#
Argoverse-HDデータセットには、リング前方中央カメラで撮影された高解像度の運転画像が含まれており、8つのオブジェクトクラスに対する2Dバウンディングボックスが付与されています。以下は、対応するアノテーションを含むデータセット内の画像例です。

- アノテーション付き運転シーン:この画像では、車両や歩行者などの道路オブジェクトに2Dバウンディングボックスのラベルが付与されています。この形式をYOLOモデルはトレーニング中に予測するよう学習します。
引用と謝辞#
このデータセットで使用されているArgoverse-HDの2D検出アノテーションは、カーネギーメロン大学のストリーミング認識研究に由来します。研究または開発でこのデータセットを使用する場合は、以下を引用してください。
@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}
}Argoverse-HDの検出アノテーションを提供したカーネギーメロン大学と、自動運転研究コミュニティにとって貴重なリソースとなる元のArgoverseデータセットを作成したArgo AIに感謝いたします。
よくある質問#
Ultralytics Argoverseデータセット(Argoverse-HD)は、8クラス(person、bicycle、car、motorcycle、bus、truck、traffic light、stop sign)にわたる自動運転画像54,446枚を含む2D物体検出データセットです。前方を向いた車載カメラから道路オブジェクトを検出するモデルのトレーニングと評価に使用され、自動運転の認識、ADAS、交通モニタリングの研究を支援します。
Argoverse-HDデータセットには、8クラス(person、bicycle、car、motorcycle、bus、truck、traffic light、stop sign)とラベル付き画像54,446枚が含まれています。内訳はトレーニング用39,384枚、検証用15,062枚で、eval.aiチャレンジ用に予約されたラベルなしのテスト分割もあります。
Ultralyticsでは、これは2Dバウンディングボックス付きのArgoverse-HDカメラフレームを含む2D物体検出データセットです。より広範なArgoverseプログラムに含まれる3D追跡、動作予測、LiDAR研究スイートではありません。
yolo26n.ptなどの標準的な検出モデルでトレーニングします。ULTRALYTICS_API_KEYを設定し、PlatformのデータセットURLから直接トレーニングします。例from ultralytics import YOLO # モデルを読み込む model = YOLO("yolo26n.pt") # 事前トレーニング済みモデルを読み込みます(トレーニングにはこちらを推奨します) # モデルをトレーニングする results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)引数の詳細については、モデルのトレーニングページを参照してください。
Ultralytics PlatformからArgoverseをダウンロードします。
ULTRALYTICS_API_KEYを設定した後、このURLをトレーニングのdata引数として直接渡せます。Ultralyticsはデータセットをダウンロードし、YOLOラベルを自動的に準備します。Ultralytics Platform上のArgoverse-HDを開くと、画像とアノテーションを確認したり、クローンを作成したり、クラウドで物体検出モデルをトレーニングしたりできます。検出データセットの概要で関連データセットを確認することもできます。
コメント
質問したり、結果を共有したり、ほかの人をサポートしたりできます。



