VisDroneデータセット#
VisDroneデータセットは大規模なドローン画像ベンチマークであり、物体検出用のサブセット(VisDrone2019-DET)には、物体検出用に10種類の物体クラスがアノテーションされた航空画像8,629枚(学習用6,471枚、検証用548枚、test-dev用1,610枚)が含まれています。これは、中国の天津大学にある機械学習・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 🚀
VisDroneベンチマーク全体には、14の異なる中国の都市でドローン搭載カメラにより撮影された288本の動画クリップ(261,908フレーム)と10,209枚の静止画像が含まれています。都市部と農村部の環境、まばらなシーンと混雑したシーン、さまざまな天候および照明条件にわたります。フレームには260万個を超える手動アノテーション済みのバウンディングボックスが含まれ、シーンの可視性、物体クラス、オクルージョンなどの追加属性も付与されています。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#
- 小さく密集した物体:航空視点では対象物が小さく密集して見えます。検証画像548枚だけでもラベル付きボックスが38,759個含まれており、1画像あたり平均約70個の物体に相当します。
- シーンの多様性:14の中国の都市から収集された画像で、都市部と農村部、昼と夜、さまざまな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260万個を超えるボックスがあり、オクルージョンおよび可視性の属性も含まれています。
- 事前定義済みの分割:一貫した評価のため、固定されたtrain / val / test-dev分割(画像6,471 / 548 / 1,610枚)が用意されています。
データセットの構成#
UltralyticsのVisDrone設定では、VisDrone2019-DETの画像サブセットを対象とし、次の3つの部分に分割します。
| 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するラベル付き航空画像 |
| 検証 | 548 | 開発中の評価に使用する画像 |
| Test-dev | 1,610 | 学習済みモデルの最終評価に使用する、学習から除外された画像 |
4つ目の分割であるtest-challenge(1,580枚)はVisDroneコンペティション用に非公開となっており、ダウンロードされません。そのため、DETセット全体の画像数は10,209枚になります。
このデータセットでは、歩行者、people、自転車、自動車、バン、トラック、三輪車、三輪車(幌付き)、バス、motorの10の物体クラスにアノテーションを付与しています。VisDroneでは、pedestrian(立っている、または歩いている人)とpeople(それ以外の姿勢の人)を区別します。
初回使用時に、ダウンロードスクリプトが元のVisDroneアノテーションをYOLO形式に変換し、ignoreとしてマークされた領域をスキップします(未使用の"others"カテゴリも除外されます)。
アプリケーション#
VisDroneの密集したシーンと小さな対象物は、航空視点からの小物体検出における標準ベンチマークとなっています。一般的な用途は次のとおりです。
- 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監視
- インフラおよび建設現場の検査
- 雑然としたシーンでの小物体検出に関するコンピュータービジョン研究
その他の航空画像ベンチマークについては、衛星画像に特化したxViewデータセットまたは方向付きボックスを扱うDOTA-v2データセットをご覧ください。
データセット YAML#
VisDrone.yamlファイルでは、データセット設定(データセットのパス、クラス名、自動ダウンロードおよび変換スクリプト)を定義しています。Ultralyticsリポジトリのhttps://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VisDrone.yamlで管理されています。
# 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、初回のトレーニング時に自動的にダウンロードされます。3つのアーカイブで合計約2 GBとなり、展開および変換中に約4 GBの空きディスク容量が必要です。
VisDroneデータセットでYOLO26nモデルを画像サイズ640、100エポック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一覧については、モデルのトレーニングページをご覧ください。
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、ブラウザーでVisDroneのトレーニング実行を管理するには、Ultralytics Platformを使用してください。
サンプルデータとアノテーション#
次のサンプルは、典型的なVisDroneのシーンを示しています。交通量の多い道路を上空から見下ろす視点で、歩行者や車両が小さく密集した対象物として現れ、多くが互いに部分的にオクルージョンしています。

引用と謝辞#
研究または開発業務でVisDroneデータセットを使用する場合は、次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}}中国の天津大学にある機械学習およびデータマイニング研究室のAISKYEYEチームによるVisDroneデータセットの作成および維持に謝意を表します。詳細については、VisDroneデータセットのGitHubリポジトリをご覧ください。
FAQ#
VisDroneは、物体が小さく密集しており、上空から捉えられるドローン撮影画像上で検出器をトレーニングおよびベンチマークするために使用されます。航空視点、混雑したシーン、さまざまな条件を組み合わせているため、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のVisDrone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6,471枚、検証548枚、テスト(test-dev)1,610枚です。すべての分割で、歩行者、people、自転車、自動車、バン、トラック、三輪車、三輪車(幌付き)、バス、motorの同じ10クラスを使用します。詳しい内訳については、データセット構造をご覧ください。
data="VisDrone.yaml"を使用して初めてトレーニングすると、VisDroneは自動的にダウンロードされるため、手動の手順は必要ありません。スクリプトはUltralytics GitHub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。コンペティションで非公開となっているtest-challenge分割は含まれません。VisDroneの物体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しかありません。また、密集した強いオクルージョンのある集団として現れるため、地上レベルの写真で調整された検出器には負荷がかかります。より高い解像度(たとえば、より小さいバッチで
imgsz=1280)でトレーニングおよび予測すると小さな対象物を捉えやすくなり、SAHIのタイル推論では大きな画像を分割することで、小物体が各推論ウィンドウのより大きな領域を占めるようにします。VisDroneベンチマーク全体では、画像内物体検出、動画内物体検出、単一物体追跡、マルチオブジェクトトラッキング、群衆カウントの5つのタスクを、288本の動画クリップと10,209枚の静止画像にわたって扱います。Ultralyticsの
VisDrone.yaml設定は画像検出タスク(VisDrone2019-DET)のみを対象とし、トレーニング画像6,471枚、検証画像548枚、test-dev画像1,610枚をダウンロードします。論文「Detection and Tracking Meet Drones Challenge」(IEEE TPAMI、第44巻第11号、2022年、DOI 10.1109/TPAMI.2021.3119563)を引用してください。完全なBibTeXエントリは、上記の引用および謝辞セクションにあります。



