Argoverse 데이터셋
Ultralytics Argoverse 데이터셋(Argoverse-HD)은 자율 주행 이미지 54,446장에 레이블이 표시된 2D 객체 탐지 데이터셋입니다. 학습 이미지 39,384장과 검증 이미지 15,062장으로 구성되며, 사람, 자전거, 자동차, 오토바이, 버스, 트럭, 신호등, 정지 표지판의 8개 클래스를 포함합니다. 이미지는 차량의 링 전면 중앙 카메라로 촬영되었으며, 주석은 Argo AI의 Argoverse 1.1 주행 데이터를 기반으로 구축된 카네기멜런 대학교의 스트리밍 인식 프로젝트에서 제공됩니다. 이 데이터셋은 자율 주행 시나리오에서 도로 객체를 탐지하는 컴퓨터 비전 모델 학습을 위한 대규모 실제 환경 벤치마크입니다.
Ultralytics Platform의 Argoverse-HD를 살펴보고 어노테이션이 포함된 샘플을 미리 확인하고, 데이터셋 통계를 살펴본 뒤, 학습을 위해 데이터셋을 복제해 보세요.
Python 3.11 이상을 사용하고 ULTRALYTICS_API_KEY을 Platform 설정에서 가져온 키로 설정합니다. Argoverse 데이터셋 URL을 data으로 전달하면 이미지가 다운로드되고 YOLO 레이블이 자동으로 준비됩니다. 데이터셋이 로컬에 없는 경우 Argoverse.yaml 구성도 Platform에서 다운로드합니다.
주요 기능#
- 객체 탐지 클래스 8개: 사람, 자전거, 자동차, 오토바이, 버스, 트럭, 신호등, 정지 표지판입니다.
- 라벨링된 이미지 54,446개(학습용 39,384개, 검증용 15,062개)와 eval.ai 챌린지용으로 확보된 라벨 없는 테스트 분할 데이터가 포함됩니다.
- 도심 자율 주행 장면에서 캡처한 1920 × 1200 링 전면 중앙 카메라 프레임입니다.
- 최초 사용 시 어노테이션이 YOLO 형식으로 자동 변환되므로, Ultralytics YOLO 탐지 모델로 데이터셋을 바로 학습할 수 있습니다.
데이터셋 구조#
Platform의 Argoverse-HD 데이터셋은 사전에 정의된 세 개의 하위 집합을 유지합니다.
| 분할 | 이미지 | 레이블 |
|---|---|---|
| 학습 | 39,384 | 예 |
| 검증 | 15,062 | 예 |
| 테스트 | 12,507 | 레이블 없음 (eval.ai 챌린지) |
모든 이미지에는 동일한 8개 객체 클래스(인덱스 0–7)가 있습니다: 사람, 자전거, 자동차, 오토바이, 버스, 트럭, 신호등, 정지 표지판.
Ultralytics는 Platform 데이터셋을 다운로드하고 주석을 YOLO 탐지 레이블로 자동 변환하므로 수동 전처리가 필요하지 않습니다.
응용 분야#
Argoverse-HD 데이터셋은 자율 주행 분야의 다양한 객체 탐지 애플리케이션을 지원합니다:
- 자율 주행 인지 — 전방 카메라 영상에서 차량, 보행자, 자전거 이용자를 탐지하여 자율주행 차량 내비게이션을 지원합니다.
- 첨단 운전자 보조 시스템 (ADAS) — 실시간 운전자 알림을 위해 신호등과 정지 표지판을 인식합니다.
- 교통 모니터링 — 스마트 시티 분석을 위해 도심 장면에서 도로 이용자를 계수하고 추적합니다.
- 연구 및 프로토타이핑 — 주행 데이터에 대한 모델 학습과 예측을 학습하는 데 활용할 수 있는 대규모 실세계 벤치마크입니다.
데이터셋 YAML#
YAML 파일은 경로, 클래스 및 기타 관련 세부 정보를 포함한 데이터셋 구성을 정의합니다. Argoverse 데이터셋의 경우 Argoverse.yaml 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yaml에 유지 관리됩니다.
# 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
# Download: https://platform.ultralytics.com/ultralytics/datasets/argoverse (requires ULTRALYTICS_API_KEY)
# parent
# ├── ultralytics
# └── datasets
# └── Argoverse ← existing local dataset
# 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: |
from ultralytics.data.utils import check_det_dataset, convert_ndjson_to_yolo_if_needed
data = convert_ndjson_to_yolo_if_needed("https://platform.ultralytics.com/ultralytics/datasets/argoverse")
yaml.update(check_det_dataset(data))사용법#
다음 코드 예제를 사용하면 이미지 크기 640으로 Argoverse 데이터셋에서 100 에포크 동안 YOLO26n 모델을 학습할 수 있습니다.
from ultralytics import YOLO
# 모델 로드
model = YOLO("yolo26n.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장).
# 모델 학습
results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)학습이 완료되면 새로운 주행 이미지나 동영상에서 미세 조정된 모델로 추론을 실행합니다:
from ultralytics import YOLO
# 모델 로드
model = YOLO("path/to/best.pt") # Argoverse 데이터셋으로 미세 조정된 모델 로드
# 모델을 사용한 추론
results = model.predict("path/to/driving-scene.jpg")샘플 데이터 및 어노테이션#
Argoverse-HD 데이터셋에는 링 프런트 센터 카메라로 촬영한 고해상도 주행 이미지가 포함되어 있으며, 8개 객체 클래스에 대한 2D 바운딩 박스가 어노테이션되어 있습니다. 아래는 해당 어노테이션이 포함된 데이터셋 이미지 예시입니다:

- 어노테이션된 주행 장면: 이 이미지에는 차량과 보행자 등 도로 객체가 2D 바운딩 박스로 레이블링되어 있습니다. YOLO 모델은 학습 중 이러한 형식의 바운딩 박스를 예측하도록 학습됩니다.
인용 및 감사의 글#
이 데이터셋에 사용된 Argoverse-HD 2D 탐지 어노테이션은 Carnegie Mellon University의 스트리밍 인지 연구에서 가져왔습니다. 연구 또는 개발에 이 데이터셋을 사용하는 경우 다음을 인용해 주세요:
@inproceedings{li2020towards,
title={Towards Streaming Perception},
author={Li, Mengtian and Wang, Yu-Xiong and Ramanan, Deva},
booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
pages={473--488},
year={2020}
}
@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-HD 탐지 어노테이션을 제공한 Carnegie Mellon University와 자율 주행 연구 커뮤니티를 위한 귀중한 리소스로 원본 Argoverse 데이터셋을 제작한 Argo AI에 감사드립니다.
자주 묻는 질문#
Ultralytics Argoverse 데이터셋(Argoverse-HD)은 8개 클래스(사람, 자전거, 자동차, 오토바이, 버스, 트럭, 신호등, 정지 표지판)에 걸친 자율 주행 이미지 54,446개로 구성된 2D 객체 탐지 데이터셋입니다. 전방 차량 카메라에서 도로 객체를 탐지하는 모델을 학습하고 평가하는 데 사용되며, 자율 주행 인지, ADAS, 교통 모니터링 연구를 지원합니다.
Argoverse-HD 데이터셋에는 8개 클래스(사람, 자전거, 자동차, 오토바이, 버스, 트럭, 신호등, 정지 표지판)와 레이블이 있는 이미지 54,446개(학습용 39,384개, 검증용 15,062개)가 있으며, eval.ai 챌린지용으로 예약된 레이블 없는 테스트 분할도 포함됩니다.
Ultralytics에서 이 데이터셋은 3D 추적, 모션 예측 또는 더 광범위한 Argoverse 프로그램의 LiDAR 연구 모음이 아니라 2D 객체 탐지 데이터셋입니다(Argoverse-HD 카메라 프레임에 2D 바운딩 박스가 포함됨).
yolo26n.pt과 같은 일반 탐지 모델로 학습할 수 있습니다.ULTRALYTICS_API_KEY을 설정하고 Platform 데이터셋 URL에서 바로 학습합니다:예제from ultralytics import YOLO # 모델 로드 model = YOLO("yolo26n.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장). # 모델 학습 results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)인수에 대한 자세한 설명은 모델 학습 페이지를 참조하세요.
Ultralytics Platform에서 Argoverse를 다운로드합니다.
ULTRALYTICS_API_KEY를 설정한 후 이 URL을 학습용data인수로 바로 전달할 수 있습니다. Ultralytics가 데이터셋을 다운로드하고 YOLO 레이블을 자동으로 준비합니다.Ultralytics Platform의 Argoverse-HD를 열어 이미지와 주석을 살펴보고, 데이터셋을 복제하고, 클라우드에서 객체 탐지 모델을 학습할 수 있습니다. 관련 데이터셋은 탐지 데이터셋 개요에서도 확인할 수 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.



