ADE20K 데이터셋#
ADE20K 데이터셋은 MIT CSAIL에서 제공하는 대규모 시맨틱 세그멘테이션 벤치마크로, 실내, 실외, 객체 및 stuff 카테고리 150개에 걸쳐 20,210개의 학습 이미지와 2,000개의 검증 이미지가 정밀하게 어노테이션되어 있습니다. Ultralytics YOLO를 사용하여 dense scene-understanding 모델을 학습하고 평가하기 위한 표준 리소스입니다.
주요 기능#
- ADE20K의 전체 SceneParsing 벤치마크는 총 25,562개의 이미지로 구성됩니다. 학습용 20,210개, 검증용 2,000개, 테스트용 3,352개입니다. 테스트 이미지의 어노테이션은 공개되지 않으므로 다운로드 가능한
ADEChallengeData2016아카이브와 Ultralyticsade20k.yamlconfig는 학습 및 검증 split만 사용합니다. - 이 데이터셋은 실내, 실외, 객체 및 stuff 카테고리에 걸쳐 150개의 semantic class를 포함합니다.
- 어노테이션은 scene parsing에 적합한 dense pixel-level segmentation mask입니다.
데이터셋 구조#
Ultralytics configuration은 공식 ADEChallengeData2016 layout을 사용합니다:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/ADE20K에는 자동 다운로드 스크립트가 없습니다. ~1 GB 크기의 ADEChallengeData2016.zip 아카이브를 다운로드하여 datasets/ 폴더에 직접 압축 해제합니다. 아카이브 자체의 최상위 폴더 이름은 이미 ADEChallengeData2016/으로 지정되어 있으므로, 이렇게 하면 위 layout과 일치하는 datasets/ADEChallengeData2016/가 생성됩니다. 직접 ADEChallengeData2016 폴더를 만들고 그 안에 압축을 해제하지 마십시오. 그렇게 하면 YAML이 찾지 못하는 중첩된 datasets/ADEChallengeData2016/ADEChallengeData2016/ 디렉터리가 생성됩니다.
masks_dir 필드는 annotations로 설정되어 있으므로 images/ 아래의 각 이미지가 해당 mask인 annotations/과 연결됩니다. 원본 ADE20K mask는 0가 무시되는 source label ID를 사용하며, label_mapping section은 유효한 label 1부터 150까지를 연속적인 train ID 0부터 149까지로 변환하고, 무시된 pixel을 255으로 매핑합니다.
응용 분야#
ADE20K는 시맨틱 세그멘테이션과 scene parsing에서 딥러닝 모델을 학습하고 평가하는 데 널리 사용됩니다. 다양한 카테고리와 복잡한 scene을 제공하므로 자율 주행, robotics, augmented reality 및 image editing과 같은 애플리케이션에 유용합니다.
실내 및 실외 scene의 폭넓은 구성 덕분에 ADE20K는 domain 전반에서 모델 generalization을 평가하기 위한 강력한 벤치마크이기도 합니다. 사전 학습된 YOLO26 semantic segmentation 모델은 ADE20K validation set에서 최대 51.5 mIoU에 도달합니다. 전체 벤치마크 표는 semantic segmentation models 페이지를 참조하십시오. ADE20K 형식의 데이터셋은 dataset management 및 training을 위해 Ultralytics Platform과도 완벽하게 호환됩니다.
데이터셋 YAML#
dataset YAML 파일은 ADE20K의 경로, class, mask directory 및 label mapping을 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.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 512로 100개의 epoch 동안 YOLO26n-sem 모델을 학습하려면 다음 code snippet을 사용할 수 있습니다. 사용 가능한 인자의 전체 목록은 모델 Training 페이지를 참조하십시오.
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 용도로만 제공되며, 데이터셋의 annotation software는 BSD-3.0에 따라 별도로 라이선스됩니다. 상업적 사용을 위해서는 MIT CSAIL의 허가가 필요합니다.
연구 또는 개발 작업에서 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 온 MIT CSAIL Computer Vision Group에 감사드립니다. ADE20K 데이터셋과 제작자에 대한 자세한 내용은 ADE20K dataset website를 방문하십시오.
FAQ#
ADE20K 데이터셋은 시맨틱 세그멘테이션에 사용되는 대규모 scene parsing 벤치마크로, 실내, 실외, 객체 및 stuff class를 포함한 150개 카테고리에 걸쳐 학습 이미지 20,210개와 검증 이미지 2,000개가 공개되어 있습니다. 연구자들은 다양한 scene, 세분화된 category set, 그리고 평균 Intersection over Union(mIoU)과 같은 표준화된 evaluation metric을 제공하는 ADE20K를 사용합니다. 이러한 특성 덕분에 dense prediction 모델의 benchmark에 적합합니다.
ADE20K 데이터셋에서 이미지 크기 512로 100 epoch 동안 YOLO26n-sem 모델을 학습하려면 다음 code snippet을 사용할 수 있습니다. 사용 가능한 인자의 자세한 목록은 모델 Training 페이지를 참조하십시오.
학습 예제from 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 공식 ADEChallengeData2016 layout을 따르며, 이미지는
images/training/및images/validation/아래에 구성되고 해당 mask는annotations/training/및annotations/validation/아래에 구성됩니다. Ultralytics YAML 파일은masks_dir: annotations필드를 통해 각 이미지를 해당 mask와 연결하고,label_mapping를 사용하여 source label ID1–150을 연속적인 train ID0–149로 변환하며, ignore label을255으로 매핑합니다.예.
ADEChallengeData2016.zip아카이브(~1 GB)를 다운로드하여 학습 전에datasets/폴더에 직접 압축 해제합니다. 아카이브 자체의 최상위 폴더 이름은 이미ADEChallengeData2016/으로 지정되어 있으므로, 별도로 만든ADEChallengeData2016폴더 안이 아닌 해당 위치에 압축을 해제하면ade20k.yaml이 기대하는images/및annotations/layout이 생성됩니다.ADE20K annotation mask는
0이 ignore 또는 background class를 나타내는 source label ID를 저장합니다.label_mappingsection은 유효한 label1부터150까지를 연속적인 train ID0부터149까지로 매핑하고,255을 무시된 pixel에 할당하여 training 및 validation 중 loss와 metric에서 제외합니다.아니요. ADE20K 이미지는 비상업적 연구 및 교육으로 사용을 제한하는 조건에 따라 제공되며, 함께 제공되는 annotation software는 BSD-3에 따라 별도로 라이선스됩니다. 상업적 라이선스 옵션은 MIT CSAIL에 문의하십시오.