ADE20K 데이터셋#
ADE20K 데이터셋은 MIT CSAIL의 대규모 시맨틱 세그멘테이션 벤치마크로, 150개의 실내, 실외, 객체 및 배경 카테고리에 대해 조밀한 주석이 지정된 학습 이미지 20,210개와 검증 이미지 2,000개를 포함합니다. Ultralytics YOLO를 사용해 조밀한 장면 이해 모델을 학습하고 평가하는 표준 리소스입니다.
주요 기능#
- ADE20K의 전체 SceneParsing 벤치마크는 이미지 총 25,562개로 구성됩니다. 학습 이미지 20,210개, 검증 이미지 2,000개, 테스트 이미지 3,352개입니다. 테스트 이미지 주석은 공개되지 않으므로, 다운로드 가능한
ADEChallengeData2016아카이브와 Ultralyticsade20k.yaml설정은 학습 및 검증 분할만 사용합니다. - 이 데이터셋은 실내, 실외, 객체 및 배경 범주에 걸쳐 150개의 시맨틱 클래스를 포함합니다.
- 어노테이션은 장면 파싱에 적합한 조밀한 픽셀 단위 세그멘테이션 마스크로 구성됩니다.
데이터셋 구조#
Ultralytics 구성은 공식 ADEChallengeData2016 디렉터리 구조를 사용합니다.
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/ADE20K에는 자동 다운로드 스크립트가 없습니다. 약 1GB의 ADEChallengeData2016.zip 아카이브를 다운로드한 다음 datasets/ 폴더에 직접 압축을 풉니다. 아카이브의 최상위 폴더 이름은 이미 ADEChallengeData2016/이므로, 이렇게 하면 위 레이아웃과 일치하는 datasets/ADEChallengeData2016/가 생성됩니다. ADEChallengeData2016 폴더를 직접 만든 뒤 그 안에 압축을 풀면 안 됩니다. 그렇게 하면 YAML에서 찾을 수 없는 중첩된 datasets/ADEChallengeData2016/ADEChallengeData2016/ 디렉터리가 생성됩니다.
masks_dir 필드는 annotations로 설정되어 있으므로, images/ 아래의 각 이미지는 annotations/ 아래의 해당 마스크와 연결됩니다. 원본 ADE20K 마스크는 0를 무시하는 소스 레이블 ID를 사용하며, label_mapping 섹션은 유효한 레이블 1부터 150까지를 연속된 학습 ID 0부터 149까지로 변환하고, 무시된 픽셀은 255에 매핑합니다.
응용 분야#
ADE20K는 시맨틱 세그멘테이션과 장면 파싱 분야에서 딥러닝 모델을 학습하고 평가하는 데 널리 사용됩니다. 다양한 범주와 복잡한 장면을 포함하므로 자율 주행 내비게이션, 로보틱스, 증강 현실, 이미지 편집 등의 애플리케이션에 유용합니다.
실내와 실외 장면을 폭넓게 포함하는 ADE20K는 도메인 전반에서 모델 일반화 성능을 평가하기에도 적합한 벤치마크입니다. 사전 학습된 YOLO26 시맨틱 세그멘테이션 모델은 ADE20K 검증 세트에서 최대 51.5 mIoU를 기록합니다. 전체 벤치마크 표는 시맨틱 세그멘테이션 모델 페이지를 참조하세요. ADE20K 형식 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 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-ade20k.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): https://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zip사용법#
ADE20K 데이터셋에서 이미지 크기 640으로 YOLO26n-sem 모델을 100 에폭 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.
from ultralytics import YOLO
# 모델 로드
model = YOLO("yolo26n-sem-ade20k.pt") # 학습에 권장되는 ADE20K 사전 학습 모델을 불러옵니다.
# 모델 학습
results = model.train(data="ade20k.yaml", epochs=100, imgsz=640)인용, 라이선스 및 감사의 말#
ADE20K 이미지는 비상업적 연구 및 교육 목적으로만 사용할 수 있도록 배포됩니다. 데이터셋 어노테이션 소프트웨어는 BSD-3 라이선스에 따라 별도로 제공됩니다. 상업적 사용에는 MIT CSAIL의 허가가 필요합니다.
연구 또는 개발 작업에 ADE20K 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요.
@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 유용한 리소스를 만들고 유지 관리해 주신 MIT CSAIL Computer Vision Group에 감사드립니다. ADE20K 데이터셋과 제작자에 관한 자세한 내용은 ADE20K 데이터셋 웹사이트를 참조하세요.
자주 묻는 질문#
ADE20K 데이터셋은 시맨틱 세그멘테이션에 사용되는 대규모 장면 파싱 벤치마크입니다. 실내, 실외, 객체 및 배경 범주를 아우르는 150개 카테고리에 걸쳐 학습 이미지 20,210장과 검증 이미지 2,000장이 공개되어 있습니다. 연구자들은 장면의 다양성, 세분화된 카테고리 구성, 표준화된 평가 지표인 평균 교집합 대비 합집합 비율(mIoU)을 활용해 밀집 예측 모델을 벤치마킹할 수 있으므로 ADE20K를 사용합니다.
ADE20K 데이터셋에서 이미지 크기 640으로 YOLO26n-sem 모델을 100 에폭 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 자세한 목록은 모델 학습 페이지를 참조하세요.
학습 예제from ultralytics import YOLO # 모델 로드 model = YOLO("yolo26n-sem-ade20k.pt") # 학습에 권장되는 ADE20K 사전 학습 모델을 불러옵니다. # 모델 학습 results = model.train(data="ade20k.yaml", epochs=100, imgsz=640)ADE20K 데이터셋은 공식 ADEChallengeData2016 디렉터리 구조를 따르며, 이미지는
images/training/및images/validation/아래에, 해당 마스크는annotations/training/및annotations/validation/아래에 구성됩니다. Ultralytics YAML 파일은masks_dir: annotations필드를 통해 각 이미지를 마스크와 연결하고,label_mapping를 사용해 소스 레이블 ID1–150을 연속된 학습 ID0–149로 변환하며, 무시 레이블을255에 매핑합니다.예.
ADEChallengeData2016.zip아카이브(약 1GB)를 다운로드해 학습 전에datasets/폴더에 직접 압축을 풉니다. 아카이브의 최상위 폴더 이름은 이미ADEChallengeData2016/이므로, 직접 만든 별도의ADEChallengeData2016폴더가 아니라 해당 위치에 압축을 풀면ade20k.yaml에서 기대하는images/및annotations/레이아웃이 생성됩니다.ADE20K 어노테이션 마스크는
0이 무시 또는 배경 클래스를 나타내는 소스 레이블 ID를 저장합니다.label_mapping섹션은 유효한 레이블1부터150까지를 연속된 학습 ID0부터149까지에 매핑하고, 무시된 픽셀에는255을 할당하여 학습 및 검증 중 손실과 지표 계산에서 제외합니다.아니요. ADE20K 이미지는 비상업적 연구 및 교육 목적으로만 사용하도록 제한하는 조건에 따라 배포됩니다. 함께 제공되는 어노테이션 소프트웨어는 BSD-3 라이선스에 따라 별도로 제공됩니다. 상업용 라이선스 옵션은 MIT CSAIL에 문의하세요.