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、ステレオ深度推定といった自動運転タスクの研究を支援するために設計されたデータ集です。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点群、地図データなど、高品質なセンサーデータを幅広く提供します。
トレーニングに必要な Argoverse データセットの *.zip ファイルは、Ford による Argo AI の閉鎖に伴い Amazon S3 から削除されましたが、Google Drive から手動でダウンロードできるようにしています。
主な特徴
- Argoverse には、1,263の異なるシーンにわたり、29万件以上のラベル付き3Dオブジェクトトラックと500万件のオブジェクトインスタンスが含まれています。
- このデータセットには、高解像度カメラ画像、LiDAR点群、および詳細にアノテーションされた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、オブジェクトトラック、および軌跡情報が含まれます。
- 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、さまざまなタスク向けに複数のサブセットを提供しています。
データセットの構造
Argoverse データセットは、主に3つのサブセットで構成されています。
- Argoverse 3D Tracking: このサブセットには113のシーンが含まれ、3Dオブジェクトトラッキングタスクに重点を置いた29万件以上のラベル付き3Dオブジェクトトラックが含まれています。これには、LiDAR点群、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ます。
- Argoverse Motion Forecasting: このサブセットは、モーション予測タスクに適した、60時間の運転データから収集された32万4千件の車両軌跡で構成されています。
- 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用の対応するLiDAR点群を含む1万組以上の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オブジェクトトラッキング、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 ディープラーニング モデルのトレーニングや評価に広く使用されています。この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、および地図情報は、自動運転分野の研究者や実務者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、データセットの設定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 ファイルが https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yaml に管理されています。
# 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
# 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(annotation_file):
"""Convert Argoverse dataset annotations to YOLO format for object detection tasks."""
labels = {}
with open(annotation_file, encoding="utf-8") as f:
a = json.load(f)
for annot in TQDM(a["annotations"], desc=f"Converting {annotation_file} to YOLO format..."):
img_id = annot["image_id"]
img_name = a["images"][img_id]["name"]
img_label_name = f"{Path(img_name).stem}.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 = annotation_file.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使用方法
Argoverse データセットで YOLO26n モデルを画像サイズ640で100 エポック 学習させるには、以下のコードスニペットを使用できます。利用可能な引数の詳細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。
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="Argoverse.yaml", 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点群、HDマップ情報など、自動運転タスクのための豊富なコンテキストを提供する多様なセンサーデータが含まれています。以下に、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の例を示します。
- Argoverse 3D Tracking: この画像は、3Dオブジェクトトラッキングの例を示しており、オブジェクトには3Dバウンディングボックスがアノテーションされています。データセットは、このタスクのためのモデル開発を促進するために、LiDAR点群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
研究や開発の成果物で Argoverse データセットを使用する場合は、以下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・維持してくれた Argo AI に感謝いたします。Argoverse データセットとその作成者に関する詳細については、Argoverse データセットのウェブサイト をご覧ください。
FAQ
Argoverse データセットとは何か、またその主な特徴は？
Argo AI によって開発された Argoverse データセットは、自動運転の研究を支援します。これには、1,263の異なるシーンにわたり、29万件以上のラベル付き3Dオブジェクトトラックと500万件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点群、アノテーション済み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おいて役立ちます。
Argoverse データセットを使用して Ultralytics YOLO モデルを学習させるには？
Argoverse データセットで YOLO26 モデルを学習するには、提供されている YAML 設定ファイルと以下のコードを使用してください。
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="Argoverse.yaml", 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やアノテーションが利用可能か？
Argoverse データセットには、高解像度カメラ画像、LiDAR点群、HDマップデータなど、さまざまな種類のセンサーデータが含まれています。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、および軌跡情報が含まれます。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おける正確なモデル学習に不可欠です。
Argoverse データセットはどのように構成されているか？
データセットは主に3つのサブセットに分かれています。
- Argoverse 3D Tracking: 3Dオブジェクトトラッキングタスクに重点を置いた113のシーンと、29万件以上のラベル付き3Dオブジェクトトラックが含まれています。これには、LiDAR点群、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ます。
- Argoverse Motion Forecasting: 60時間の運転データから収集された32万4千件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用の対応するLiDAR点群を含む1万組以上のステレオ画像ペアが含まれています。
Amazon S3 から削除された現在、Argoverse データセットはどこからダウンロードできるか？
以前 Amazon S3 で利用可能だった Argoverse データセットの *.zip ファイルは、現在 Google Drive から手動でダウンロードできます。
Argoverse データセットにおいて YAML 設定ファイルは何のために使用されるか？
YAML ファイルには、データセットのパス、クラス、およびその他の重要な情報が含まれています。Argoverse データセットの場合、設定ファイル Argoverse.yaml は次のリンクから確認できます：Argoverse.yaml。
YAML 設定の詳細については、データセット ガイドをご覧ください。