コンテンツへスキップ

アルゴバース・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サポート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、幅広い高品質センサーデータを提供します。

備考

アルゴバース・データセット *.zip トレーニングに必要なファイルは、フォードによるアルゴAIのシャットダウン後、Amazon S3から削除されました。 グーグルドライブ.

主な特徴

  • Argoverseには、ラベル付けされた29万以上の3Dオブジェクトトラックと、1263の異なるシーンにわたる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、豊富な注釈付きHD地図が含まれる。
  • 注釈には、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、軌跡情報などが含まれる。
  • 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、異なるタスクのための複数のサブセットを提供する。

データセット構造

Argoverseデータセットは3つのサブセットに分かれている:

  1. Argoverse 3Dトラッキング:このサブセットには、3Dオブジェクト追跡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持つ113のシーンが含まれています。LiDARポイントクラウド、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、60時間の走行データから収集された324Kの車両軌跡から構成され、モーション予測タスクに適しています。
  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用に設計されており、グランドトゥルースの深度推定用に対応するLiDAR点群とともに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および評価に広く使用されています。このデータセットのセンサーデータ、オブジェクトアノテーション、地図情報の多様なセットは、自律走行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る。

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われる。このファイルには、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る。Argoverseデータセットの場合は Argoverse.yaml ファイルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yaml.

ultralytics/cfg/datasets/Argoverse.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 tqdm import tqdm
  from ultralytics.utils.downloads import download
  from pathlib import Path

  def argoverse2yolo(set):
      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") 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YOLOv8n モデルを画像サイズ640で100エポック訓練するには、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。

列車の例

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.pt epochs=100 imgsz=640

サンプルデータと注釈

Argoverseデータセットには、カメラ画像、LiDARポイントクラウド、HDマップ情報などの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ます。以下は、データセットからのデータの例と、それらに対応するアノテーションです:

データセットサンプル画像

  • Argoverse 3Dトラッキング: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、オブジェクトは3Dバウンディングボックスで注釈されています。データセットはLiDARの点群とカメラ画像を提供し、このタスクのモデル開発を容易にします。

この例は、Argoverseデータセットのデータの多様性と複雑性を示し、自律走行タスクにおける高品質センサーデータの重要性を強調している。

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、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}
}

Argoverse データセットを自律走行研究コミュニティの貴重なリソースとして作成し、維持している Argo AI に感謝したい。Argoverseデータセットとその作成者についての詳細は、Argoverseデータセットのウェブサイトをご覧ください。



作成日:2023-11-12 更新日:2024-01-14
作成者:glenn-jocher(4),Laughing-q(1)

コメント