VisDroneデータセット#
VisDrone Datasetは、大規模なドローン撮影画像ベンチマークであり、その検出サブセット(VisDrone2019-DET)は、object detection向けの10個のオブジェクトクラスでアノテーションされた8,629枚の航空画像(訓練用6,471枚、検証用548枚、テスト開発用1,610枚)を提供します。これは、中国・天津大学のMachine Learningおよびデータマイニング研究室のAISKYEYEチームによって作成されました。
Watch: How to Train Ultralytics YOLO on the VisDrone Dataset | Aerial Detection | Complete Tutorial 🚀
完全な VisDrone ベンチマークは、中国国内の14の異なる都市でドローン搭載カメラにより撮影された288のビデオクリップ(261,908フレーム)と10,209枚の静止画像で構成されており、都市および農村環境、まばらなシーンや混雑したシーン、多様な天候や照明条件にまたがっています。そのフレームには、シーンの可視性、オブジェクトクラス、オクルージョンなどの追加属性を持つ260万件以上の手動アノテーション済み bounding boxes が含まれています。Ultralytics の VisDrone.yaml 設定では、このベンチマークの VisDrone2019-DET 静止画像サブセットを使用します。
主な特徴#
- 小さく密集したオブジェクト: 航空視点ではターゲットが非常に小さく密集しており、検証用画像548枚だけで38,759個のラベル付きボックスが含まれており、1画像あたり平均約70個のオブジェクトが存在します。
- シーンの多様性: 中国の14都市からの映像であり、都市や農村の場所、昼夜、および異なる天候条件をカバーしています。
- 豊富なアノテーション: ベンチマーク全体で260万個以上のボックスがあり、遮蔽や視認性の属性が含まれています。
- 定義済みの分割: 一貫した評価のために、トレーニング/検証/テストの分割(6,471 / 548 / 1,610画像)が固定されています。
データセットの構造#
UltralyticsのVisDrone設定は、3つの部分に分割されたVisDrone2019-DET画像サブセットをカバーしています。
| 分割 | 画像 | 説明 |
|---|---|---|
| トレーニング | 6,471 | 検出器のトレーニングに使用されるラベル付き航空画像 |
| バリデーション | 548 | 開発中の evaluation に使用される画像 |
| Test-dev | 1,610 | 学習済みモデルの最終評価のために保持された画像 |
4つ目の分割であるtest-challenge(1,580画像)はVisDroneコンペティションのために保留されており、ダウンロードされません。これがDETセット全体で10,209画像となる理由です。
このデータセットは、歩行者(pedestrian)、人(people)、自転車(bicycle)、車(car)、バン(van)、トラック(truck)、三輪車(tricycle)、日除け付き三輪車(awning-tricycle)、バス(bus)、およびオートバイ(motor)の10個のオブジェクトクラスをアノテーションしています。VisDroneでは、歩行者(立っている、または歩いている人)と人(その他の姿勢の人)を区別しています。
初回使用時に、ダウンロードスクリプトは元のVisDroneアノテーションをYOLO形式に変換し、無視対象としてマークされた領域(未使用の「others」カテゴリも含む)をスキップします。
アプリケーション#
VisDrone の密集したシーンと小さなターゲットにより、これは上空からの視点における small-object detection の標準的なベンチマークとなっています。一般的な用途には次のようなものがあります:
- UAVからの交通監視および車両カウント
- 群衆分析および公共安全の監視
- インフラおよび建設現場の検査
- 複雑なシーンでの小規模オブジェクトの検出に関する Computer vision の研究
その他の航空画像ベンチマークについては、衛星中心の xView dataset または回転ボックスの DOTA-v2 dataset を参照してください。
データセット YAML#
VisDrone.yaml ファイルは、データセットの設定(データセットのパス、クラス名、および自動ダウンロードと変換スクリプト)を定義します。これは Ultralytics リポジトリの https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VisDrone.yaml で保守されています。
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# VisDrone2019-DET dataset https://github.com/VisDrone/VisDrone-Dataset by Tianjin University
# Documentation: https://docs.ultralytics.com/datasets/detect/visdrone
# Example usage: yolo train data=VisDrone.yaml
# parent
# ├── ultralytics
# └── datasets
# └── VisDrone ← downloads here (~2 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: VisDrone # dataset root dir
train: images/train # train images (relative to 'path') 6471 images
val: images/val # val images (relative to 'path') 548 images
test: images/test # test-dev images (optional) 1610 images
# Classes
names:
0: pedestrian
1: people
2: bicycle
3: car
4: van
5: truck
6: tricycle
7: awning-tricycle
8: bus
9: motor
# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
import os
from pathlib import Path
import shutil
from ultralytics.utils.downloads import download
from ultralytics.utils import ASSETS_URL, TQDM
def visdrone2yolo(dir, split, source_name=None):
"""Convert VisDrone annotations to YOLO format with images/{split} and labels/{split} structure."""
from PIL import Image
source_dir = dir / (source_name or f"VisDrone2019-DET-{split}")
images_dir = dir / "images" / split
labels_dir = dir / "labels" / split
labels_dir.mkdir(parents=True, exist_ok=True)
# Move images to new structure
if (source_images_dir := source_dir / "images").exists():
images_dir.mkdir(parents=True, exist_ok=True)
for img in source_images_dir.glob("*.jpg"):
img.rename(images_dir / img.name)
for f in TQDM((source_dir / "annotations").glob("*.txt"), desc=f"Converting {split}"):
img_size = Image.open(images_dir / f.with_suffix(".jpg").name).size
dw, dh = 1.0 / img_size[0], 1.0 / img_size[1]
lines = []
with open(f, encoding="utf-8") as file:
for row in [x.split(",") for x in file.read().strip().splitlines()]:
if row[4] != "0": # Skip ignored regions
x, y, w, h = map(int, row[:4])
cls = int(row[5]) - 1
# Convert to YOLO format
x_center, y_center = (x + w / 2) * dw, (y + h / 2) * dh
w_norm, h_norm = w * dw, h * dh
lines.append(f"{cls} {x_center:.6f} {y_center:.6f} {w_norm:.6f} {h_norm:.6f}\n")
(labels_dir / f.name).write_text("".join(lines), encoding="utf-8")
# Download (ignores test-challenge split)
dir = Path(yaml["path"]) # dataset root dir
urls = [
f"{ASSETS_URL}/VisDrone2019-DET-train.zip",
f"{ASSETS_URL}/VisDrone2019-DET-val.zip",
f"{ASSETS_URL}/VisDrone2019-DET-test-dev.zip",
# f"{ASSETS_URL}/VisDrone2019-DET-test-challenge.zip",
]
download(urls, dir=dir, threads=4)
# Convert
splits = {"VisDrone2019-DET-train": "train", "VisDrone2019-DET-val": "val", "VisDrone2019-DET-test-dev": "test"}
for folder, split in splits.items():
visdrone2yolo(dir, split, folder) # convert VisDrone annotations to YOLO labels
shutil.rmtree(dir / folder) # cleanup original directory使用方法#
VisDroneはトレーニングを初めて実行する際に自動的にダウンロードされます(合計約2GBの3つのアーカイブ)。抽出と変換の間、約4GBの空きディスク容量が必要です。
VisDrone データセットで YOLO26n モデルを 100 epochs、画像サイズ 640 でトレーニングするには、次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 Training 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 - dataset will auto-download on first run
results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640)追加の航空画像にラベルを付け、ブラウザで VisDrone トレーニングの実行を管理するには、Ultralytics Platform を使用します。
サンプルデータとアノテーション#
以下のサンプルは、典型的なVisDroneシーンを示しています。交通量の多い道路を見下ろす航空視点であり、歩行者や車両が小さく密集したターゲットとして現れ、その多くが互いに部分的に遮蔽されています。

引用と謝辞#
VisDroneデータセットを研究や開発で使用する場合は、以下の論文を引用してください。
@ARTICLE{9573394,
author={Zhu, Pengfei and Wen, Longyin and Du, Dawei and Bian, Xiao and Fan, Heng and Hu, Qinghua and Ling, Haibin},
journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
title={Detection and Tracking Meet Drones Challenge},
year={2022},
volume={44},
number={11},
pages={7380-7399},
doi={10.1109/TPAMI.2021.3119563}}VisDrone データセットを作成および維持してくださった、中国天津大学機械学習・Data Mining 研究所の AISKYEYE チームに感謝いたします。詳細については、VisDrone Dataset GitHub repository をご覧ください。
よくある質問 (FAQ)#
VisDroneは、物体が小さく密集しており、上空から撮影されたドローン映像において検出器をトレーニングおよび評価するために使用されます。航空視点、混雑したシーン、多様な条件の組み合わせにより、UAVベースの交通監視、群衆分析、小物体検出研究の標準的なテストベッドとなっています。
Ultralytics VisDrone の設定には 8,629 枚の画像が含まれています。内訳はトレーニング用 6,471 枚、検証用 548 枚、テスト(test-dev)用 1,610 枚です。すべての分割で、歩行者、人々、自転車、車、バン、トラック、三輪車、幌付き三輪車、バス、モーターの同じ 10 クラスが共有されます。詳細な内訳については、Dataset Structure を参照してください。
data="VisDrone.yaml"で初めてトレーニングを行うと、VisDrone が自動的にダウンロードされます。手動での手順は不要です。このスクリプトは、Ultralytics GitHub のリリースアセットから 3 つのアーカイブ(約 2 GB)を取得し、アノテーションを YOLO 形式に変換します。コンテストの非公開テストチャレンジ分割は含まれていません。画像サイズ640で100エポック、VisDroneでYOLO26nモデルをトレーニングします:
学習例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="VisDrone.yaml", epochs=100, imgsz=640)For detailed configurations, see the Training page and model training tips.
VisDrone 内のオブジェクトはフレームに対して非常に小さく(多くの場合わずか数十ピクセル)、高密度で激しくオクルージョンされたグループに出現するため、地上レベルの写真で調整された検出器に負荷がかかります。高解像度でのトレーニングと予測(たとえば、バッチを小さくした
imgsz=1280)により小さなターゲットが復元され、SAHI tiled inference により大きな画像がスライスされて、小さなオブジェクトが各推論ウィンドウのより多くの部分を占めるようになります。完全な VisDrone ベンチマークは、288 のビデオクリップと 10,209 の静止画像にわたり、画像でのオブジェクト検出、ビデオでのオブジェクト検出、単一オブジェクト追跡、multi-object tracking、および群衆カウントの 5 つのタスクにまたがっています。Ultralytics の
VisDrone.yaml設定は、画像検出タスク(VisDrone2019-DET)のみを対象としており、その 6,471 のトレーニング、548 の検証、および 1,610 の test-dev 画像をダウンロードします。論文「Detection and Tracking Meet Drones Challenge」(IEEE TPAMI、vol. 44、no. 11、2022、DOI 10.1109/TPAMI.2021.3119563)を引用してください。完全な BibTeX エントリは、上記の Citations and Acknowledgments セクションにあります。



