Skip to main content
GitHubで編集 (EN)

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の自律走行タスクの研究を支援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点群、マップデータなど、幅広い高品質なセンサーデータを提供しています。

Note

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の閉鎖後、Amazon S3から削除されましたが、Google Driveにて手動ダウンロード可能にしました。

主な特長

  • Argoverseには、1,263の異なるシーンにわたる290K以上のラベル付き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。
  • データセットには、高解像度カメラ画像、LiDAR点群、豊富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、軌跡情報が含まれています。
  • 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、異なるタスク向けに複数のサブセットを提供しています。

データセット構造

Argoverseデータセットは3つの主要なサブセットに整理されています：

  1. Argoverse 3Dトラッキング：このサブセットには、3Dオブジェクトトラッキングタスクに焦点を当てた290K以上のラベル付き3Dオブジェクトトラックを含む113のシーンが含まれています。LiDAR点群、カメラ画像、センサーキャリブレーション情報が含まれています。
  2. Argoverseモーション予測：このサブセットは、モーション予測タスクに適した60時間の走行データから収集された324Kの車両軌跡で構成されています。
  3. Argoverseステレオ深度推定：このサブセットはステレオ深度推定タスク向けに設計されており、グラウンドトゥルース深度推定のための対応するLiDAR点群を持つ10K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律走行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と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、マップ情報は、自律走行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、データセット設定を定義するために使用されます。データセットのパス、クラス、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ファイルはhttps://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yamlに保管されています。

ultralytics/cfg/datasets/Argoverse.yaml
# 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エポックトレーニングするには、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。

トレーニング例
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、多様なセンサーデータが含まれており、自律走行タスクに豊富なコンテキストを提供しています。以下に、対応するアノテーションとともにデータセットのデータ例を示します：

車両アノテーション付きArgoverseデータセット3Dトラッキングサンプル

  • Argoverse 3Dトラッキング：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た3Dオブジェクトトラッキング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点群とカメラ画像を提供しています。

この例は、Argoverseデータセットのデータの多様性と複雑さを示し、自律走行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

研究や開発作業で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：

Quote
@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}
}

自律走行研究コミュニティにとって貴重なリソースとしてArgoverseデータセットを作成・維持しているArgo AIに感謝します。Argoverseデータセットとその作成者の詳細については、Argoverseデータセットのウェブサイトをご覧ください。

よくある質問

Argoverseデータセットとその主な特長は何ですか？

Argo AIによって開発されたArgoverseデータセットは、自律走行研究をサポートしています。1,263の異なるシーンにわたる290K以上のラベル付き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。データセットは高解像度カメラ画像、LiDAR点群、アノテーション付きHDマップを提供しており、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データセットで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YOLO26モデルをトレーニングするには、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：

トレーニング例
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データセットにはどのような種類のデータとアノテーションが含まれていますか？

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、様々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、軌跡情報が含まれています。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かれています：

  1. Argoverse 3Dトラッキング：3Dオブジェクトトラッキングタスクに焦点を当てた290K以上のラベル付き3Dオブジェクトトラックを含む113のシーンが含まれています。LiDAR点群、カメラ画像、センサーキャリブレーション情報が含まれています。
  2. Argoverseモーション予測：モーション予測タスクに適した60時間の走行データから収集された324Kの車両軌跡で構成されています。
  3. Argoverseステレオ深度推定：グラウンドトゥルース深度推定のための対応するLiDAR点群を持つ10K以上のステレオ画像ペアが含まれています。

ArgoverseデータセットがAmazon S3から削除された今、どこでダウンロードできますか？

以前Amazon S3で提供されていた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データセットにはどのようなYAML設定ファイルが使用されますか？

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含まれています。Argoverseデータセットの設定ファイルArgoverse.yamlは、以下のリンクで確認できます：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。

コメント