コンテンツぞスキップ

VisDroneデヌタセット

VisDroneデヌタセットは、䞭囜倩接倧孊機械孊習・デヌタマむニング研究宀のAISKYEYEチヌムによっお䜜成された倧芏暡ベンチマヌクである。このデヌタセットには、ドロヌンベヌスの画像およびビデオ解析に関連するさたざたなコンピュヌタビゞョンタスクのための、泚意深く泚釈が付けられたグランドトゥルヌスデヌタが含たれおいる。



芋るんだ ドロヌン画像解析のためのVisDroneデヌタセットでUltralytics YOLO モデルを蚓緎する方法

VisDroneは、様々なドロヌン搭茉カメラで撮圱された261,908フレヌムの288のビデオクリップず10,209の静止画像で構成されおいる。このデヌタセットは、堎所䞭囜党土の14郜垂、環境郜垂ず蟲村、察象物歩行者、車䞡、自転車など、密床疎らなシヌンず混雑したシヌンなど、幅広い偎面をカバヌしおいる。デヌタセットは、様々なシナリオ、倩候や照明条件䞋で、様々なドロヌンプラットフォヌムを䜿甚しお収集された。これらのフレヌムには、歩行者、車、自転車、䞉茪車などのタヌゲットの260䞇以䞊のバりンディングボックスが手動で泚釈されおいる。より良いデヌタ掻甚のために、シヌンの可芖性、オブゞェクトクラス、オクルヌゞョンなどの属性も提䟛されおいる。

デヌタセット構造

VisDroneデヌタセットは5぀のサブセットに分かれおおり、それぞれが特定のタスクに焊点を圓おおいる

  1. タスク 1画像䞭の物䜓怜出
  2. タスク2ビデオ内の物䜓怜出
  3. タスク3単䞀オブゞェクトのトラッキング
  4. タスク4マルチオブゞェクト・トラッキング
  5. タスク5矀衆のカりント

アプリケヌション

VisDroneデヌタセットは、物䜓怜出、物䜓远跡、矀衆カりントなどのドロヌンベヌスのコンピュヌタビゞョンタスクにおけるディヌプラヌニングモデルのトレヌニングず評䟡に広く䜿甚されおいたす。このデヌタセットの倚様なセンサヌデヌタ、オブゞェクトアノテヌション、属性は、ドロヌンベヌスのコンピュヌタビゞョン分野の研究者や実務家にずっお貎重なリ゜ヌスずなっおいる。

デヌタセット YAML

YAML (Yet Another Markup Language) ファむルはデヌタセットの蚭定を定矩するために䜿われる。このファむルには、デヌタセットのパス、クラス、その他の関連情報が含たれおいる。Visdrone デヌタセットの堎合は VisDrone.yaml ファむルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VisDrone.yaml.

ultralytics/cfg/datasets/VisDrone.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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 (2.3 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/VisDrone # dataset root dir
train: VisDrone2019-DET-train/images # train images (relative to 'path')  6471 images
val: VisDrone2019-DET-val/images # val images (relative to 'path')  548 images
test: VisDrone2019-DET-test-dev/images # test 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

  from ultralytics.utils.downloads import download

  def visdrone2yolo(dir):
      from PIL import Image
      from tqdm import tqdm

      def convert_box(size, box):
          # Convert VisDrone box to YOLO xywh box
          dw = 1. / size[0]
          dh = 1. / size[1]
          return (box[0] + box[2] / 2) * dw, (box[1] + box[3] / 2) * dh, box[2] * dw, box[3] * dh

      (dir / 'labels').mkdir(parents=True, exist_ok=True)  # make labels directory
      pbar = tqdm((dir / 'annotations').glob('*.txt'), desc=f'Converting {dir}')
      for f in pbar:
          img_size = Image.open((dir / 'images' / f.name).with_suffix('.jpg')).size
          lines = []
          with open(f, 'r') as file:  # read annotation.txt
              for row in [x.split(',') for x in file.read().strip().splitlines()]:
                  if row[4] == '0':  # VisDrone 'ignored regions' class 0
                      continue
                  cls = int(row[5]) - 1
                  box = convert_box(img_size, tuple(map(int, row[:4])))
                  lines.append(f"{cls} {' '.join(f'{x:.6f}' for x in box)}\n")
                  with open(str(f).replace(f'{os.sep}annotations{os.sep}', f'{os.sep}labels{os.sep}'), 'w') as fl:
                      fl.writelines(lines)  # write label.txt


  # Download
  dir = Path(yaml['path'])  # dataset root dir
  urls = ['https://github.com/ultralytics/assets/releases/download/v0.0.0/VisDrone2019-DET-train.zip',
          'https://github.com/ultralytics/assets/releases/download/v0.0.0/VisDrone2019-DET-val.zip',
          'https://github.com/ultralytics/assets/releases/download/v0.0.0/VisDrone2019-DET-test-dev.zip',
          'https://github.com/ultralytics/assets/releases/download/v0.0.0/VisDrone2019-DET-test-challenge.zip']
  download(urls, dir=dir, curl=True, threads=4)

  # Convert
  for d in 'VisDrone2019-DET-train', 'VisDrone2019-DET-val', 'VisDrone2019-DET-test-dev':
      visdrone2yolo(dir / d)  # convert VisDrone annotations to YOLO labels

䜿甚方法

VisDroneデヌタセットでYOLO11nモデルを画像サむズ640で100゚ポック孊習させるには、以䞋のコヌドスニペットを䜿甚したす。䜿甚可胜な匕数の包括的なリストに぀いおは、モデルのトレヌニングペヌゞを参照しおください。

列車の䟋

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=VisDrone.yaml model=yolo11n.pt epochs=100 imgsz=640

サンプルデヌタず泚釈

VisDroneデヌタセットには、ドロヌンに搭茉されたカメラで撮圱された様々な画像や動画が含たれおいたす。このデヌタセットに含たれるデヌタの䟋を、察応するアノテヌションずずもに玹介する

デヌタセットサンプル画像

  • タスク1画像䞭の物䜓怜出- この画像は画像䞭の物䜓怜出の䟋を瀺しおおり、物䜓はバりンディングボックスで泚釈されおいる。デヌタセットは、このタスクのモデル開発を容易にするために、異なる堎所、環境、密床で撮圱された倚皮倚様な画像を提䟛する。

この䟋は、VisDroneデヌタセットのデヌタの倚様性ず耇雑性を瀺し、ドロヌンベヌスのコンピュヌタビゞョンタスクにおける高品質センサヌデヌタの重芁性を匷調しおいる。

匕甚ず謝蟞

研究開発でVisDroneデヌタセットを䜿甚する堎合は、以䞋の論文を匕甚しおください

@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={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3119563}}

VisDroneデヌタセットをドロヌンベヌスのコンピュヌタビゞョン研究コミュニティの貎重なリ゜ヌスずしお䜜成・維持しおいる䞭囜・倩接倧孊機械孊習・デヌタマむニング研究宀のAISKYEYEチヌムに感謝したい。VisDroneデヌタセットずその䜜成者に぀いおの詳现は、VisDrone Dataset GitHubリポゞトリをご芧ください。

よくあるご質問

VisDroneデヌタセットずその䞻な特城は

VisDroneデヌタセットは、䞭囜倩接倧孊のAISKYEYEチヌムによっお䜜成された倧芏暡ベンチマヌクである。ドロヌンベヌスの画像およびビデオ解析に関連するさたざたなコンピュヌタビゞョンタスクのために蚭蚈されおいる。䞻な特城は以䞋の通り

  • 構成288ビデオクリップ、261,908フレヌム、10,209静止画像。
  • 泚釈歩行者、車、自転車、䞉茪車などのオブゞェクトのバりンディングボックスは260䞇以䞊。
  • 倚様性14の郜垂、郜垂ず蟲村の環境、異なる倩候ず照明条件の䞋で収集された。
  • タスク画像や動画における物䜓怜出、単䞀物䜓および耇数物䜓の远跡、矀衆蚈数。

VisDroneデヌタセットを䜿甚しお、Ultralytics でYOLO11 モデルをトレヌニングするにはどうすればよいですか

VisDroneデヌタセットでYOLO11 モデルを画像サむズ640で100゚ポック孊習させるには、以䞋の手順に埓いたす

列車の䟋

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=VisDrone.yaml model=yolo11n.pt epochs=100 imgsz=640

その他の蚭定オプションに぀いおは、モデル・トレヌニングのペヌゞを参照しおください。

VisDroneデヌタセットの䞻なサブセットずその甚途は

VisDroneデヌタセットは䞻に5぀のサブセットに分かれおおり、それぞれが特定のコンピュヌタビゞョンタスク甚に調敎されおいる

  1. タスク1画像䞭の物䜓怜出
  2. タスク2ビデオ内のオブゞェクト怜出。
  3. タスク3単䞀オブゞェクトのトラッキング
  4. タスク4マルチオブゞェクトトラッキング
  5. タスク5矀衆の数を数える。

これらのサブセットは、監芖、亀通監芖、公共安党などのドロヌンベヌスのアプリケヌションにおけるディヌプラヌニングモデルの蚓緎ず評䟡に広く䜿甚されおいる。

Ultralytics 、VisDroneデヌタセットの蚭定ファむルはどこにありたすか

VisDrone デヌタセットの蚭定ファむル、 VisDrone.yamlぞのリンクは、Ultralytics のリポゞトリで芋るこずができる VisDrone.yaml.

VisDrone デヌタセットを研究で䜿甚する堎合、どのように匕甚できたすか

研究開発でVisDroneデヌタセットを䜿甚する堎合は、以䞋の論文を匕甚しおください

@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={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3119563}
}
📅䜜成1幎前 ✏曎新したした 2ヶ月前
りルトラリティクス・アシスタント グレン・ペッハヌ マシュヌノむス リズワン・ムナワヌル jk4e 笑q

コメント