Argoverse 데이터셋#
Ultralytics Argoverse 데이터셋(Argoverse-HD)은 8개 클래스(사람, 자전거, 자동차, 오토바이, 버스, 트럭, 신호등, 정지 표지판)로 구성된 54,446개의 라벨이 지정된 자율주행 이미지(학습용 39,384개, 검증용 15,062개)를 포함하는 2D 객체 검출 데이터셋입니다. 이미지는 차량의 링 프론트 센터 카메라로 촬영되었으며, 어노테이션은 Argo AI의 Argoverse 1.1 주행 데이터를 기반으로 구축된 Carnegie Mellon University의 streaming-perception 프로젝트에서 제공됩니다. 이 데이터셋은 자율주행 시나리오에서 도로 객체를 검출하는 컴퓨터 비전 모델을 학습하기 위한 대규모 실제 환경 벤치마크입니다.
Ultralytics Platform의 Argoverse-HD에서 어노테이션이 지정된 샘플을 미리 보고, 데이터셋 통계를 확인하고, 학습을 위해 복제할 수 있습니다.
학습에 필요한 Argoverse-HD *.zip 파일(~31.5 GB)은 Ford의 Argo AI 폐쇄 이후 Amazon S3에서 제거되었습니다. Google Drive에서 수동으로 다운로드할 수 있으며, 자동 다운로드는 작동하지 않으므로 학습 전에 아카이브를 다운로드해야 합니다.
주요 기능#
- 객체 검출 클래스 8개: 사람, 자전거, 자동차, 오토바이, 버스, 트럭, 신호등, 정지 표지판.
- 라벨이 지정된 이미지 54,446개 — 학습용 39,384개와 검증용 15,062개 — 및 eval.ai challenge를 위해 예약된 라벨 없는 테스트 분할이 포함됩니다.
- 도시 자율주행 장면에서 촬영된 고해상도 링 프론트 센터 카메라 프레임 ~31.5 GB입니다.
- 어노테이션은 처음 사용할 때 YOLO 형식으로 자동 변환되므로, Ultralytics YOLO 검출 모델로 데이터셋을 바로 학습할 수 있습니다.
데이터셋 구조#
Argoverse-HD 데이터셋은 Argoverse.yaml 구성으로 정의된 세 개의 사전 정의된 하위 집합으로 분할됩니다:
| 분할 | 이미지 | 라벨 |
|---|---|---|
| 학습 | 39,384 | 예 |
| 검증 | 15,062 | 예 |
| 테스트 | — | 라벨 없음(eval.ai challenge) |
모든 이미지에는 동일한 8개 객체 클래스(인덱스 0–7)가 사용됩니다: 사람, 자전거, 자동차, 오토바이, 버스, 트럭, 신호등, 정지 표지판.
수동 다운로드 후 Ultralytics는 처음 학습할 때 원본 Argoverse-HD 어노테이션을 YOLO 검출 라벨로 자동 변환하므로, 수동 전처리가 필요하지 않습니다.
응용 분야#
Argoverse-HD 데이터셋은 자율주행 분야에서 다양한 객체 검출 애플리케이션을 지원합니다:
- 자율주행 인식 — 전방 카메라에서 차량, 보행자, 자전거 이용자를 검출하여 자율주행 차량 내비게이션을 지원합니다.
- 첨단 운전자 보조 시스템(ADAS) — 실시간 운전자 알림을 위해 신호등과 정지 표지판을 인식합니다.
- 교통 모니터링 — 스마트 시티 분석을 위해 도시 장면에서 도로 이용자를 카운트하고 추적합니다.
- 연구 및 프로토타이핑 — 주행 데이터를 활용한 모델 학습 및 예측을 위한 대규모 실제 환경 벤치마크입니다.
데이터셋 YAML#
YAML 파일은 경로, 클래스 및 기타 관련 세부 정보를 포함한 데이터셋 구성을 정의합니다. Argoverse 데이터셋의 경우 Argoverse.yaml 파일이 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
# 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: 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 pathlib import Path
from ultralytics.utils import TQDM
from ultralytics.utils.downloads import download
def argoverse2yolo(annotation_file):
"""Convert Argoverse dataset annotations to YOLO format for object detection tasks."""
labels = {}
with open(annotation_file, encoding="utf-8") as f:
a = json.load(f)
for annot in TQDM(a["annotations"], desc=f"Converting {annotation_file} to YOLO format..."):
img_id = annot["image_id"]
img_name = a["images"][img_id]["name"]
img_label_name = f"{Path(img_name).stem}.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 = annotation_file.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", encoding="utf-8") as f:
f.writelines(labels[k])
# Download 'https://argoverse-hd.s3.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 labels사용법#
Argoverse 데이터셋에서 YOLO26n 모델을 100 에포크 동안 이미지 크기 640으로 학습하려면 다음 코드 샘플을 사용합니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.
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="Argoverse.yaml", epochs=100, imgsz=640)학습이 완료되면 fine-tuned 모델로 새로운 주행 이미지 또는 동영상에 대해 추론을 실행합니다:
from ultralytics import YOLO
# Load a model
model = YOLO("path/to/best.pt") # load an Argoverse fine-tuned model
# Inference using the model
results = model.predict("path/to/driving-scene.jpg")샘플 데이터 및 어노테이션#
Argoverse-HD 데이터셋에는 링 프론트 센터 카메라로 촬영하고 8개 객체 클래스에 대한 2D 바운딩 박스가 어노테이션된 고해상도 주행 이미지가 포함되어 있습니다. 다음은 해당 어노테이션이 포함된 데이터셋 이미지 예시입니다:
- 어노테이션이 지정된 주행 장면: 이 이미지에는 차량과 보행자 같은 도로 객체가 2D 바운딩 박스로 라벨링되어 있으며, 이는 YOLO 모델이 학습 중 예측하도록 학습하는 형식입니다.
인용 및 감사의 글#
이 데이터셋에 사용된 Argoverse-HD 2D 검출 어노테이션은 Carnegie Mellon University의 streaming-perception 연구에서 제공되었습니다. 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 검출 어노테이션을 제공한 Carnegie Mellon University와 자율주행 연구 커뮤니티를 위한 귀중한 리소스로서 원본 Argoverse 데이터셋을 제작한 Argo AI에 감사드립니다.
FAQ#
Ultralytics Argoverse 데이터셋(Argoverse-HD)은 8개 클래스(사람, 자전거, 자동차, 오토바이, 버스, 트럭, 신호등, 정지 표지판)로 구성된 54,446개의 자율주행 이미지를 포함하는 2D 객체 검출 데이터셋입니다. 전방 차량 카메라에서 도로 객체를 검출하는 모델을 학습하고 평가하는 데 사용되며, 자율주행 인식, ADAS 및 교통 모니터링 연구를 지원합니다.
Argoverse-HD 데이터셋에는 8개 클래스(사람, 자전거, 자동차, 오토바이, 버스, 트럭, 신호등, 정지 표지판)와 라벨이 지정된 이미지 54,446개(학습용 39,384개, 검증용 15,062개)가 있으며, eval.ai challenge를 위해 예약된 라벨 없는 테스트 분할도 포함됩니다.
Ultralytics에서 이는 3D 추적, 모션 예측 또는 더 광범위한 Argoverse 프로그램의 LiDAR 연구 제품군이 아닌 2D 객체 검출 데이터셋입니다(2D 바운딩 박스가 포함된 Argoverse-HD 카메라 프레임).
yolo26n.pt과 같은 표준 검출 모델로 학습합니다.먼저 데이터셋을 수동으로 다운로드한 후(아래 참조),
Argoverse.yaml구성 파일을 사용하여 학습합니다:예시from ultralytics import YOLO # Load a model model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training) # Train the model results = model.train(data="Argoverse.yaml", epochs=100, imgsz=640)인수에 대한 자세한 설명은 모델 학습 페이지를 참조하세요.
이전에 Amazon S3에서 호스팅되었던 Argoverse-HD
*.zip파일(~31.5 GB)은 이제 Google Drive에서 수동으로 다운로드할 수 있습니다. 자동 다운로드는 작동하지 않으므로 학습 명령을 실행하기 전에 아카이브를 가져와야 합니다.예. Ultralytics Platform을 사용하면 Argoverse-HD와 같은 대규모 데이터셋을 업로드하고 버전을 관리한 다음, 복잡한 로컬 설정 없이 클라우드에서 객체 검출 모델을 학습하고 배포할 수 있습니다. 검출 데이터셋 개요에서 관련 데이터셋을 찾아볼 수도 있습니다.