Conjunto de dados Argoverse
O conjunto de dados Argoverse da Ultralytics (Argoverse-HD) é um conjunto de dados 2D de detecção de objetos, com 54.446 imagens rotuladas de direção autônoma — 39.384 para treinamento e 15.062 para validação — distribuídas por 8 classes: pessoa, bicicleta, carro, motocicleta, ônibus, caminhão, semáforo e placa de parada. As imagens são capturadas pela câmera dianteira central em anel de um veículo, e as anotações vêm do projeto de percepção contínua da Carnegie Mellon University, desenvolvido com os dados de direção do Argoverse 1.1 da Argo AI. É um benchmark grande e realista para treinar modelos de visão computacional para detectar objetos na estrada em cenários de direção autônoma.
Explore Argoverse-HD na Ultralytics Platform para pré-visualizar amostras anotadas, consultar as estatísticas do conjunto de dados e cloná-lo para treino.
Usa Python 3.11 ou mais recente e define ULTRALYTICS_API_KEY como uma chave de configurações da Platform. Passa o URL do conjunto de dados Argoverse como data para transferir as imagens e preparar automaticamente os rótulos YOLO. A configuração Argoverse.yaml também transfere dados da Platform quando o conjunto de dados não está disponível localmente.
Principais funcionalidades#
- 8 classes de deteção de objetos: pessoa, bicicleta, carro, motociclo, autocarro, camião, semáforo e sinal de stop.
- 54.446 imagens rotuladas — 39.384 para treino e 15.062 para validação — além de uma divisão de teste sem rótulos, reservada para o desafio eval.ai.
- 1920 × 1200 quadros da câmera ring-front-center capturados em cenas urbanas de condução autônoma.
- As anotações são convertidas automaticamente para o formato YOLO na primeira utilização, para que o conjunto de dados possa ser usado diretamente no treino de modelos de deteção Ultralytics YOLO.
Estrutura do conjunto de dados#
O conjunto de dados Argoverse-HD na Platform mantém os três subconjuntos predefinidos:
| Divisão | Imagens | Rótulos |
|---|---|---|
| Treinar | 39,384 | Sim |
| Validação | 15,062 | Sim |
| Teste | 12,507 | Sem rótulos (desafio eval.ai) |
Todas as imagens compartilham as mesmas 8 classes de objetos (índices de 0 a 7): pessoa, bicicleta, carro, motocicleta, ônibus, caminhão, semáforo e placa de pare.
A Ultralytics transfere o conjunto de dados da Platform e converte automaticamente as anotações em rótulos de deteção YOLO, sem necessidade de pré-processamento manual.
Aplicações#
O conjunto de dados Argoverse-HD oferece suporte a diversas aplicações de detecção de objetos em direção autônoma:
- Percepção para veículos autônomos — detecte veículos, pedestres e ciclistas com uma câmera voltada para a frente para dar suporte à navegação de veículos autônomos.
- Sistemas avançados de assistência ao condutor (ADAS) — reconheça semáforos e placas de pare para emitir alertas ao condutor em tempo real.
- Monitoramento de tráfego — conte e acompanhe usuários das vias em cenários urbanos para análises de cidades inteligentes.
- Pesquisa e prototipagem — um benchmark amplo e do mundo real para aprender treinamento de modelos e predição com dados de condução.
YAML do conjunto de dados#
Um arquivo YAML define a configuração do conjunto de dados, incluindo caminhos, classes e outros detalhes relevantes. Para o conjunto de dados Argoverse, o arquivo Argoverse.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yaml.
# 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))Uso#
Para treinar um modelo YOLO26n no conjunto de dados Argoverse durante 100 épocas, com tamanho de imagem 640, utiliza os seguintes exemplos de código.
from ultralytics import YOLO
# Carregar um modelo
model = YOLO("yolo26n.pt") # carregue um modelo pré-treinado (recomendado para treinamento)
# Treinar o modelo
results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)Após o treinamento, execute a inferência com o modelo ajustado em novas imagens ou vídeos de direção:
from ultralytics import YOLO
# Carregar um modelo
model = YOLO("path/to/best.pt") # carregar um modelo Argoverse ajustado
# Inferência usando o modelo
results = model.predict("path/to/driving-scene.jpg")Dados de exemplo e anotações#
O conjunto de dados Argoverse-HD contém imagens de condução em alta resolução capturadas por uma câmera frontal central do conjunto de câmeras, anotadas com caixas delimitadoras 2D para as 8 classes de objetos. Abaixo está uma imagem de exemplo do conjunto de dados com as respectivas anotações:

- Cena de condução anotada: esta imagem mostra objetos da via — como veículos e pedestres — rotulados com caixas delimitadoras 2D, o formato que os modelos YOLO aprendem a prever durante o treinamento.
Citações e agradecimentos#
As anotações de detecção 2D do Argoverse-HD usadas neste conjunto de dados vêm do trabalho de percepção em fluxo da Carnegie Mellon University. Se você usar o conjunto de dados em sua pesquisa ou desenvolvimento, cite:
@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}
}Gostaríamos de agradecer à Carnegie Mellon University pelas anotações de detecção do Argoverse-HD e à Argo AI pela criação do conjunto de dados original Argoverse, um recurso valioso para a comunidade de pesquisa em condução autônoma.
Perguntas frequentes#
O conjunto de dados Argoverse da Ultralytics (Argoverse-HD) é um conjunto de dados de detecção de objetos 2D com 54.446 imagens de condução autônoma distribuídas por 8 classes — pessoa, bicicleta, carro, motocicleta, ônibus, caminhão, semáforo e placa de pare. Ele é usado para treinar e avaliar modelos que detectam objetos da via com uma câmera veicular voltada para a frente, dando suporte à pesquisa em percepção para veículos autônomos, ADAS e monitoramento de tráfego.
O conjunto de dados Argoverse-HD tem 8 classes (pessoa, bicicleta, carro, motocicleta, ônibus, caminhão, semáforo e placa de pare) e 54.446 imagens rotuladas — 39.384 para treinamento e 15.062 para validação — além de uma divisão de teste sem rótulos reservada para o desafio eval.ai.
Na Ultralytics, ele é um conjunto de dados de detecção de objetos 2D (quadros de câmera do Argoverse-HD com caixas delimitadoras 2D), e não o conjunto de pesquisa mais amplo do programa Argoverse para rastreamento 3D, previsão de movimento ou LiDAR. Você pode treiná-lo com um modelo de detecção padrão, como
yolo26n.pt.Define
ULTRALYTICS_API_KEYe treina diretamente a partir do URL do conjunto de dados na Platform:Exemplofrom ultralytics import YOLO # Carregar um modelo model = YOLO("yolo26n.pt") # carregue um modelo pré-treinado (recomendado para treinamento) # Treinar o modelo results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)Para obter uma explicação detalhada dos argumentos, consulte a página de treinamento do modelo.
Transfere Argoverse da Ultralytics Platform. Podes passar este URL diretamente como argumento de treino
datadepois de definirULTRALYTICS_API_KEY; a Ultralytics transfere o conjunto de dados e prepara automaticamente os rótulos YOLO.Sim. Abre Argoverse-HD na Ultralytics Platform para explorar as imagens e anotações, cloná-lo e treinar modelos de deteção de objetos na nuvem. Também podes consultar conjuntos de dados relacionados na visão geral dos conjuntos de dados de deteção.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.



