ADE20K 데이터셋#
ADE20K 데이터점은 MIT CSAIL에서 제공하는 대규모 의미론적 분할 벤치마크로, 실내, 실외, 객체 및 배경을 아우르는 150개의 카테고리에 걸쳐 20,210장의 학습 이미지와 2,000장의 검증 이미지가 조밀하게 주석 처리되어 있습니다. 이 데이터셋은 Ultralytics YOLO를 사용하여 조밀한 장면 이해 모델을 학습하고 평가하기 위한 표준 리소스입니다.
주요 특징#
- ADE20K의 전체 SceneParsing 벤치마크는 총 25,562장의 이미지로 구성되어 있습니다. 학습용 20,210장, 검증용 2,000장, 테스트용 3,352장입니다. 테스트 이미지 주석은 공개되지 않으므로, 다운로드 가능한
ADEChallengeData2016아카이브와 Ultralyticsade20k.yaml설정은 학습 및 검증 분할만 사용합니다. - 이 데이터셋은 실내, 실외, 객체 및 사물 카테고리에 걸쳐 150개의 의미론적 클래스를 포함합니다.
- 주석은 장면 파싱(scene parsing)에 적합한 조밀한 픽셀 수준의 segmentation 마스크입니다.
데이터셋 구조#
Ultralytics 구성은 공식 ADEChallengeData2016 레이아웃을 사용합니다:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/ADE20K에는 자동 다운로드 스크립트가 없습니다. ~1 GB 크기의 ADEChallengeData2016.zip 아카이브를 다운로드하여 datasets/ 폴더에 직접 압축을 해제하세요. 아카이브 자체의 최상위 폴더 이름이 이미 ADEChallengeData2016/으로 지정되어 있으므로, 이렇게 하면 위의 레이아웃과 일치하는 datasets/ADEChallengeData2016/가 생성됩니다. 사용자가 직접 ADEChallengeData2016 폴더를 생성하고 그 안에 압축을 풀지 마세요. 그렇게 하면 YAML이 찾지 못하는 중첩된 datasets/ADEChallengeData2016/ADEChallengeData2016/ 디렉터리가 생성됩니다.
masks_dir 필드는 annotations로 설정되어 있으므로, images/ 아래의 각 이미지는 annotations/ 아래의 해당 마스크와 쌍을 이룹니다. 원래 ADE20K 마스크는 0가 무시되는 소스 레이블 ID를 사용하며, label_mapping 섹션은 유효한 레이블 1부터 150까지를 연속된 학습 ID 0부터 149까지로 변환하고 무시된 픽셀을 255에 매핑합니다.
응용 분야#
ADE20K는 의미론적 분할 및 장면 파싱 분야에서 딥러닝 모델을 학습하고 평가하는 데 널리 사용됩니다. 다양한 카테고리 세트와 복잡한 장면 덕분에 자율 주행, 로보틱스, 증강 현실, 이미지 편집 등의 애플리케이션에 유용합니다.
실내외 장면의 다양성 덕분에 ADE20K는 도메인 간 모델 일반화 성능을 평가하기 위한 강력한 벤치마크이기도 합니다. 사전 학습된 YOLO26 의미론적 분할 모델은 ADE20K 검증 세트에서 최대 51.5 mIoU를 달성합니다. 전체 벤치마크 표는 의미론적 분할 모델 페이지를 참조하세요. ADE20K 형식의 데이터셋은 데이터셋 관리 및 학습을 위해 Ultralytics Platform과도 완벽하게 호환됩니다.
데이터셋 YAML#
데이터셋 YAML 파일은 ADE20K 경로, 클래스, 마스크 디렉터리 및 레이블 매핑을 정의합니다. ade20k.yaml 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ade20k.yaml에서 유지 관리됩니다.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# ADE20K semantic segmentation dataset (150 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/ade20k
# Example usage: yolo semantic train data=ade20k.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
# └── ADEChallengeData2016 ← downloads here (1 GB)
# └── images
# └── annotations
# Dataset root directory
path: ADEChallengeData2016
train: images/training
val: images/validation
masks_dir: annotations # semantic mask directory
# ADE20K 150-class labels
names:
0: wall
1: building
2: sky
3: floor
4: tree
5: ceiling
6: road
7: bed
8: windowpane
9: grass
10: cabinet
11: sidewalk
12: person
13: earth
14: door
15: table
16: mountain
17: plant
18: curtain
19: chair
20: car
21: water
22: painting
23: sofa
24: shelf
25: house
26: sea
27: mirror
28: rug
29: field
30: armchair
31: seat
32: fence
33: desk
34: rock
35: wardrobe
36: lamp
37: bathtub
38: railing
39: cushion
40: base
41: box
42: column
43: signboard
44: chest of drawers
45: counter
46: sand
47: sink
48: skyscraper
49: fireplace
50: refrigerator
51: grandstand
52: path
53: stairs
54: runway
55: case
56: pool table
57: pillow
58: screen door
59: stairway
60: river
61: bridge
62: bookcase
63: blind
64: coffee table
65: toilet
66: flower
67: book
68: hill
69: bench
70: countertop
71: stove
72: palm
73: kitchen island
74: computer
75: swivel chair
76: boat
77: bar
78: arcade machine
79: hovel
80: bus
81: towel
82: light
83: truck
84: tower
85: chandelier
86: awning
87: streetlight
88: booth
89: television receiver
90: airplane
91: dirt track
92: apparel
93: pole
94: land
95: bannister
96: escalator
97: ottoman
98: bottle
99: buffet
100: poster
101: stage
102: van
103: ship
104: fountain
105: conveyor belt
106: canopy
107: washer
108: plaything
109: swimming pool
110: stool
111: barrel
112: basket
113: waterfall
114: tent
115: bag
116: minibike
117: cradle
118: oven
119: ball
120: food
121: step
122: tank
123: trade name
124: microwave
125: pot
126: animal
127: bicycle
128: lake
129: dishwasher
130: screen
131: blanket
132: sculpture
133: hood
134: sconce
135: vase
136: traffic light
137: tray
138: ashcan
139: fan
140: pier
141: crt screen
142: plate
143: monitor
144: bulletin board
145: shower
146: radiator
147: glass
148: clock
149: flag
# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
0: ignore_label
1: 0
2: 1
3: 2
4: 3
5: 4
6: 5
7: 6
8: 7
9: 8
10: 9
11: 10
12: 11
13: 12
14: 13
15: 14
16: 15
17: 16
18: 17
19: 18
20: 19
21: 20
22: 21
23: 22
24: 23
25: 24
26: 25
27: 26
28: 27
29: 28
30: 29
31: 30
32: 31
33: 32
34: 33
35: 34
36: 35
37: 36
38: 37
39: 38
40: 39
41: 40
42: 41
43: 42
44: 43
45: 44
46: 45
47: 46
48: 47
49: 48
50: 49
51: 50
52: 51
53: 52
54: 53
55: 54
56: 55
57: 56
58: 57
59: 58
60: 59
61: 60
62: 61
63: 62
64: 63
65: 64
66: 65
67: 66
68: 67
69: 68
70: 69
71: 70
72: 71
73: 72
74: 73
75: 74
76: 75
77: 76
78: 77
79: 78
80: 79
81: 80
82: 81
83: 82
84: 83
85: 84
86: 85
87: 86
88: 87
89: 88
90: 89
91: 90
92: 91
93: 92
94: 93
95: 94
96: 95
97: 96
98: 97
99: 98
100: 99
101: 100
102: 101
103: 102
104: 103
105: 104
106: 105
107: 106
108: 107
109: 108
110: 109
111: 110
112: 111
113: 112
114: 113
115: 114
116: 115
117: 116
118: 117
119: 118
120: 119
121: 120
122: 121
123: 122
124: 123
125: 124
126: 125
127: 126
128: 127
129: 128
130: 129
131: 130
132: 131
133: 132
134: 133
135: 134
136: 135
137: 136
138: 137
139: 138
140: 139
141: 140
142: 141
143: 142
144: 143
145: 144
146: 145
147: 146
148: 147
149: 148
150: 149
# Download URL (manual): http://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zip사용법#
이미지 크기를 512로 설정하고 ADE20K 데이터셋에서 100 에포크 동안 YOLO26n-sem 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수에 대한 자세한 내용은 모델 학습 페이지를 참조하세요.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-sem.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="ade20k.yaml", epochs=100, imgsz=512)인용, 라이선스 및 감사의 글#
ADE20K 이미지는 비상업적 연구 및 교육 목적으로만 배포되며, 데이터셋의 주석 소프트웨어는 BSD-3에 따라 별도로 라이선스가 부여됩니다. 상업적으로 사용하려면 MIT CSAIL의 허가가 필요합니다.
연구 또는 개발 작업에 ADE20K 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:
@inproceedings{zhou2017scene,
title={Scene Parsing through ADE20K Dataset},
author={Zhou, Bolei and Zhao, Hang and Puig, Xavier and Fidler, Sanja and Barriuso, Adela and Torralba, Antonio},
booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
year={2017}
}컴퓨터 비전 커뮤니티를 위해 이 귀중한 리소스를 만들고 유지 관리해 준 MIT CSAIL Computer Vision Group에 감사를 표합니다. ADE20K 데이터셋 및 제작자에 대한 자세한 내용은 ADE20K 데이터셋 웹사이트를 방문하세요.
FAQ#
ADE20K 데이터셋이란 무엇이며 컴퓨터 비전 분야에서 왜 중요한가요?#
ADE20K 데이터셋은 의미론적 분할에 사용되는 대규모 장면 파싱 벤치마크로, 실내, 실외, 객체 및 배경 클래스를 아우르는 150개의 카테고리에 걸쳐 20,210장의 학습 이미지와 2,000장의 검증 이미지가 공개되어 있습니다. 연구원들은 다양한 장면, 세분화된 카테고리 세트, 그리고 밀집 예측 모델을 벤치마킹하는 데 이상적인 평균 교차오버유니온(mIoU)과 같은 표준화된 평가 지표 때문에 ADE20K를 사용합니다.
ADE20K 데이터셋을 사용하여 YOLO 모델을 어떻게 학습합니까?#
이미지 크기를 512로 설정하고 ADE20K 데이터셋에서 100 에포크 동안 YOLO26n-sem 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수에 대한 자세한 내용은 모델 학습 페이지를 참조하세요.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-sem.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="ade20k.yaml", epochs=100, imgsz=512)ADE20K 데이터셋은 어떻게 구성되어 있나요?#
ADE20K 데이터셋은 공식 ADEChallengeData2016 레이아웃을 따르며, 이미지는 images/training/ 및 images/validation/ 아래에, 해당 마스크는 annotations/training/ 및 annotations/validation/ 아래에 정리되어 있습니다. Ultralytics YAML 파일은 masks_dir: annotations 필드를 통해 각 이미지와 마스크를 쌍으로 연결하고, label_mapping를 사용하여 소스 레이블 ID 1–150을 연속된 학습 ID 0–149로 변환하며 무시 레이블을 255에 매핑합니다.
ADE20K를 수동으로 다운로드해야 합니까?#
예. 훈련 전에 ADEChallengeData2016.zip 아카이브(~1 GB)를 다운로드하여 datasets/ 폴더에 직접 압축을 푸십시오. 아카이브 자체의 최상위 폴더 이름이 이미 ADEChallengeData2016/이므로 (직접 생성한 별도의 ADEChallengeData2016 폴더가 아닌) 그 위치에 압축을 풀면 ade20k.yaml에서 요구하는 images/ 및 annotations/ 레이아웃이 생성됩니다.
ADE20K가 label_mapping을 사용하는 이유는 무엇인가요?#
ADE20K 주석 마스크는 0이 무시 또는 배경 클래스를 나타내는 소스 레이블 ID를 저장합니다. label_mapping 섹션은 유효한 레이블 1부터 150까지를 연속된 학습 ID 0부터 149까지로 매핑하고, 학습 및 검증 중 손실 및 지표에서 제외되도록 무시된 픽셀에 255을 할당합니다.
ADE20K 데이터셋은 상업적 용도로 무료로 사용할 수 있습니까?#
아니요. ADE20K 이미지는 비상업적 연구 및 교육 목적으로 사용을 제한하는 조건에 따라 배포되며, 동봉된 주석 소프트웨어는 BSD-3에 따라 별도로 라이선스가 부여됩니다. 상업적 라이선스 옵션에 대해서는 MIT CSAIL에 문의하세요.