Link to this sectionDataset VisDrone#

Q: Onde posso encontrar o ficheiro de configuração para o dataset VisDrone na Ultralytics?

O ficheiro de configuração para o dataset VisDrone, VisDrone.yaml, pode ser encontrado no repositório da Ultralytics na seguinte ligação: VisDrone.yaml.

O Dataset VisDrone é um benchmark de larga escala criado pela equipa AISKYEYE do Laboratório de Machine Learning e Data Mining da Universidade de Tianjin, na China. Contém dados ground truth cuidadosamente anotados para várias tarefas de visão computacional relacionadas com a análise de imagens e vídeos captados por drones.

Watch: How to Train Ultralytics YOLO26 on the VisDrone Dataset | Aerial Detection | Complete Tutorial 🚀

O VisDrone é composto por 288 clipes de vídeo com 261.908 fotogramas e 10.209 imagens estáticas, captados por várias câmaras montadas em drones. O dataset cobre uma vasta gama de aspetos, incluindo localização (14 cidades diferentes na China), ambiente (urbano e rural), objetos (peões, veículos, bicicletas, etc.) e densidade (cenas dispersas e lotadas). O dataset foi recolhido utilizando várias plataformas de drones em diferentes cenários e condições meteorológicas e de iluminação. Estes fotogramas estão anotados manualmente com mais de 2,6 milhões de caixas delimitadoras de alvos como peões, carros, bicicletas e triciclos. Atributos como visibilidade da cena, classe do objeto e oclusão também são fornecidos para uma melhor utilização dos dados.

Link to this sectionEstrutura do Dataset#

O dataset VisDrone está organizado em cinco subconjuntos principais, cada um focado numa tarefa específica:

Tarefa 1: Deteção de objetos em imagens
Tarefa 2: Deteção de objetos em vídeos
Tarefa 3: Rastreio de um único objeto
Tarefa 4: Rastreio de múltiplos objetos
Tarefa 5: Contagem de multidões

Link to this sectionAplicações#

O dataset VisDrone é amplamente utilizado para treinar e avaliar modelos de aprendizagem profunda em tarefas de computer vision baseadas em drones, como deteção de objetos, rastreio de objetos e contagem de multidões. O conjunto diversificado de dados de sensores, anotações de objetos e atributos do dataset torna-o um recurso valioso para investigadores e profissionais na área de visão computacional baseada em drones.

Link to this sectionYAML do Dataset#

Um ficheiro YAML (Yet Another Markup Language) é utilizado para definir a configuração do dataset. Contém informações sobre os caminhos do dataset, classes e outras informações relevantes. No caso do dataset VisDrone, o ficheiro VisDrone.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VisDrone.yaml.

ultralytics/cfg/datasets/VisDrone.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# VisDrone2019-DET dataset https://github.com/VisDrone/VisDrone-Dataset by Tianjin University
# Documentation: https://docs.ultralytics.com/datasets/detect/visdrone
# Example usage: yolo train data=VisDrone.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── VisDrone ← downloads here (2.3 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: VisDrone # dataset root dir
train: images/train # train images (relative to 'path') 6471 images
val: images/val # val images (relative to 'path') 548 images
test: images/test # test-dev images (optional) 1610 images

# Classes
names:
  0: pedestrian
  1: people
  2: bicycle
  3: car
  4: van
  5: truck
  6: tricycle
  7: awning-tricycle
  8: bus
  9: motor

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import os
  from pathlib import Path
  import shutil

  from ultralytics.utils.downloads import download
  from ultralytics.utils import ASSETS_URL, TQDM

  def visdrone2yolo(dir, split, source_name=None):
      """Convert VisDrone annotations to YOLO format with images/{split} and labels/{split} structure."""
      from PIL import Image

      source_dir = dir / (source_name or f"VisDrone2019-DET-{split}")
      images_dir = dir / "images" / split
      labels_dir = dir / "labels" / split
      labels_dir.mkdir(parents=True, exist_ok=True)

      # Move images to new structure
      if (source_images_dir := source_dir / "images").exists():
          images_dir.mkdir(parents=True, exist_ok=True)
          for img in source_images_dir.glob("*.jpg"):
              img.rename(images_dir / img.name)

      for f in TQDM((source_dir / "annotations").glob("*.txt"), desc=f"Converting {split}"):
          img_size = Image.open(images_dir / f.with_suffix(".jpg").name).size
          dw, dh = 1.0 / img_size[0], 1.0 / img_size[1]
          lines = []

          with open(f, encoding="utf-8") as file:
              for row in [x.split(",") for x in file.read().strip().splitlines()]:
                  if row[4] != "0":  # Skip ignored regions
                      x, y, w, h = map(int, row[:4])
                      cls = int(row[5]) - 1
                      # Convert to YOLO format
                      x_center, y_center = (x + w / 2) * dw, (y + h / 2) * dh
                      w_norm, h_norm = w * dw, h * dh
                      lines.append(f"{cls} {x_center:.6f} {y_center:.6f} {w_norm:.6f} {h_norm:.6f}\n")

          (labels_dir / f.name).write_text("".join(lines), encoding="utf-8")

  # Download (ignores test-challenge split)
  dir = Path(yaml["path"])  # dataset root dir
  urls = [
      f"{ASSETS_URL}/VisDrone2019-DET-train.zip",
      f"{ASSETS_URL}/VisDrone2019-DET-val.zip",
      f"{ASSETS_URL}/VisDrone2019-DET-test-dev.zip",
      # f"{ASSETS_URL}/VisDrone2019-DET-test-challenge.zip",
  ]
  download(urls, dir=dir, threads=4)

  # Convert
  splits = {"VisDrone2019-DET-train": "train", "VisDrone2019-DET-val": "val", "VisDrone2019-DET-test-dev": "test"}
  for folder, split in splits.items():
      visdrone2yolo(dir, split, folder)  # convert VisDrone annotations to YOLO labels
      shutil.rmtree(dir / folder)  # cleanup original directory

Link to this sectionUso#

Para treinar um modelo YOLO26n no dataset VisDrone durante 100 epochs com um tamanho de imagem de 640, podes usar os seguintes snippets de código. Para uma lista completa de argumentos disponíveis, consulta a página de Treino do modelo.

Exemplo de Treinamento

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="VisDrone.yaml", epochs=100, imgsz=640)

Link to this sectionDados de Amostra e Anotações#

O dataset VisDrone contém um conjunto diversificado de imagens e vídeos captados por câmaras montadas em drones. Aqui tens alguns exemplos de dados do dataset, juntamente com as suas anotações correspondentes:

Imagens aéreas de drones do dataset VisDrone com deteção de objetos

Tarefa 1: Object detection em imagens - Esta imagem demonstra um exemplo de deteção de objetos em imagens, onde os objetos são anotados com bounding boxes. O dataset fornece uma grande variedade de imagens tiradas de diferentes locais, ambientes e densidades para facilitar o desenvolvimento de modelos para esta tarefa.

O exemplo demonstra a variedade e complexidade dos dados no dataset VisDrone e destaca a importância de dados de sensores de alta qualidade para tarefas de visão computacional baseadas em drones.

Link to this sectionCitações e Agradecimentos#

Se utilizares o dataset VisDrone no teu trabalho de investigação ou desenvolvimento, por favor cita o seguinte artigo:

Citação

@ARTICLE{9573394,
  author={Zhu, Pengfei and Wen, Longyin and Du, Dawei and Bian, Xiao and Fan, Heng and Hu, Qinghua and Ling, Haibin},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  title={Detection and Tracking Meet Drones Challenge},
  year={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3119563}}

Gostaríamos de agradecer à equipa AISKYEYE do Laboratório de Machine Learning e Data Mining, Universidade de Tianjin, China, por criar e manter o dataset VisDrone como um recurso valioso para a comunidade de investigação em visão computacional baseada em drones. Para mais informações sobre o dataset VisDrone e os seus criadores, visita o repositório GitHub do Dataset VisDrone.

Link to this sectionFAQ#

Link to this sectionO que é o Dataset VisDrone e quais são as suas principais características?#

O Dataset VisDrone é um benchmark de larga escala criado pela equipa AISKYEYE da Universidade de Tianjin, China. Foi concebido para várias tarefas de visão computacional relacionadas com a análise de imagens e vídeos captados por drones. As principais características incluem:

Composição: 288 clipes de vídeo com 261.908 fotogramas e 10.209 imagens estáticas.
Anotações: Mais de 2,6 milhões de caixas delimitadoras para objetos como peões, carros, bicicletas e triciclos.
Diversidade: Recolhido em 14 cidades, em ambientes urbanos e rurais, sob diferentes condições meteorológicas e de iluminação.
Tarefas: Dividido em cinco tarefas principais — deteção de objetos em imagens e vídeos, rastreio de um único objeto e de múltiplos objetos, e contagem de multidões.

Link to this sectionComo posso utilizar o Dataset VisDrone para treinar um modelo YOLO26 com a Ultralytics?#

Para treinar um modelo YOLO26 no dataset VisDrone durante 100 épocas com um tamanho de imagem de 640, podes seguir estes passos:

Exemplo de Treinamento

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640)

Para opções de configuração adicionais, por favor consulta a página de Treino do modelo.

Link to this sectionQuais são os principais subconjuntos do dataset VisDrone e as suas aplicações?#

O dataset VisDrone está dividido em cinco subconjuntos principais, cada um adaptado para uma tarefa específica de visão computacional:

Tarefa 1: Deteção de objetos em imagens.
Tarefa 2: Deteção de objetos em vídeos.
Tarefa 3: Rastreio de um único objeto.
Tarefa 4: Rastreio de múltiplos objetos.
Tarefa 5: Contagem de multidões.

Estes subconjuntos são amplamente utilizados para treinar e avaliar modelos de deep learning em aplicações baseadas em drones, como vigilância, monitorização de tráfego e segurança pública.

Link to this sectionOnde posso encontrar o ficheiro de configuração para o dataset VisDrone na Ultralytics?#

O ficheiro de configuração para o dataset VisDrone, VisDrone.yaml, pode ser encontrado no repositório da Ultralytics na seguinte ligação: VisDrone.yaml.

Link to this sectionComo posso citar o dataset VisDrone se o utilizar na minha investigação?#