Link to this sectionConjunto de dados ADE20K#
O dataset ADE20K é um benchmark de segmentação semântica em larga escala do MIT CSAIL, com 20.210 imagens de treino e 2.000 de validação, densamente anotadas em 150 categorias de ambientes internos, externos, objetos e elementos diversos. É um recurso padrão para treinar e avaliar modelos de compreensão densa de cenas com o Ultralytics YOLO.
Link to this sectionPrincipais recursos#
- O benchmark SceneParsing completo do ADE20K totaliza 25.562 imagens: 20.210 para treino, 2.000 para validação e 3.352 para teste. As anotações das imagens de teste não são divulgadas publicamente, por isso o arquivo
ADEChallengeData2016para download e a configuraçãoade20k.yamldo Ultralytics utilizam apenas as divisões de treino e validação. - O conjunto de dados cobre 150 classes semânticas abrangendo categorias de ambientes internos, externos, objetos e materiais.
- As anotações são máscaras de segmentação densa ao nível de pixel, adequadas para a análise de cenas.
Link to this sectionEstrutura do Dataset#
A configuração do Ultralytics espera o layout oficial ADEChallengeData2016:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/O ADE20K não possui um script de download automático. Baixa o arquivo ADEChallengeData2016.zip (~1 GB) e extrai-o diretamente para a tua pasta datasets/. A pasta de nível superior do arquivo já se chama ADEChallengeData2016/, pelo que isto produz datasets/ADEChallengeData2016/, correspondendo ao layout acima — não cries uma pasta ADEChallengeData2016 por ti mesmo para extrair, ou acabarás com um diretório aninhado datasets/ADEChallengeData2016/ADEChallengeData2016/ que o YAML não encontrará.
O campo masks_dir é definido como annotations, então cada imagem em images/ é pareada com sua máscara correspondente em annotations/. As máscaras originais do ADE20K usam IDs de rótulo de origem onde 0 é ignorado, e a seção label_mapping converte rótulos válidos de 1 a 150 para IDs de treinamento contíguos de 0 a 149, mapeando pixels ignorados para 255.
Link to this sectionAplicações#
O ADE20K é amplamente utilizado para treinar e avaliar modelos de deep learning em segmentação semântica e análise de cenas. Seu conjunto diversificado de categorias e cenas complexas o torna valioso para aplicações como navegação autônoma, robótica, realidade aumentada e edição de imagens.
A amplitude de cenas internas e externas também torna o ADE20K um benchmark robusto para avaliar a generalização de modelos entre domínios. Modelos de segmentação semântica YOLO26 pré-treinados atingem até 51,5 mIoU no conjunto de validação do ADE20K — consulta a página de modelos de segmentação semântica para a tabela completa de benchmarks. Os datasets no formato ADE20K também são totalmente compatíveis com a Ultralytics Platform para gestão de datasets e treino.
Link to this sectionYAML do Dataset#
Um arquivo YAML de conjunto de dados define os caminhos, classes, diretório de máscaras e mapeamento de rótulos do ADE20K. O arquivo ade20k.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ade20k.yaml.
# 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.zipLink to this sectionUso#
Para treinar um modelo YOLO26n-sem no conjunto de dados ADE20K por 100 epochs com um tamanho de imagem de 512, você pode usar os seguintes trechos de código. Para uma lista completa de argumentos disponíveis, consulte a página de Treinamento do modelo.
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)Link to this sectionCitações, Licença e Agradecimentos#
As imagens do ADE20K são disponibilizadas apenas para uso de investigação não comercial e educacional; o software de anotação do dataset é licenciado separadamente sob BSD-3. O uso comercial requer autorização do MIT CSAIL.
Se você utilizar o conjunto de dados ADE20K em sua pesquisa ou trabalho de desenvolvimento, por favor, cite o seguinte artigo:
@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}
}Gostaríamos de agradecer ao Grupo de Visão Computacional do MIT CSAIL por criar e manter este recurso valioso para a comunidade de visão computacional. Para mais informações sobre o conjunto de dados ADE20K e seus criadores, visite o site do conjunto de dados ADE20K.
Link to this sectionFAQ#
Link to this sectionO que é o conjunto de dados ADE20K e por que ele é importante para a visão computacional?#
O dataset ADE20K é um benchmark de análise de cenas em larga escala usado para segmentação semântica, com 20.210 imagens de treino e 2.000 de validação publicadas para 150 categorias que cobrem classes de ambientes internos, externos, objetos e elementos diversos. Os investigadores usam o ADE20K devido às suas cenas diversificadas, conjunto de categorias detalhadas e métricas de avaliação padronizadas como mean Intersection over Union (mIoU), que o tornam ideal para fazer benchmarks de modelos de predição densa.
Link to this sectionComo posso treinar um modelo YOLO usando o conjunto de dados ADE20K?#
Para treinar um modelo YOLO26n-sem no conjunto de dados ADE20K por 100 epochs com um tamanho de imagem de 512, você pode usar os seguintes trechos de código. Para uma lista detalhada de argumentos disponíveis, consulte a página de Treinamento do modelo.
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)Link to this sectionComo o conjunto de dados ADE20K é estruturado?#
O conjunto de dados ADE20K segue o layout oficial ADEChallengeData2016, com imagens organizadas em images/training/ e images/validation/, e máscaras correspondentes em annotations/training/ e annotations/validation/. O arquivo YAML do Ultralytics pareia cada imagem com sua máscara através do campo masks_dir: annotations e usa label_mapping para converter IDs de rótulos de origem de 1–150 em IDs de treinamento contíguos de 0–149, mapeando o rótulo de ignorar para 255.
Link to this sectionPreciso de baixar o ADE20K manualmente?#
Sim. Baixa o arquivo ADEChallengeData2016.zip (~1 GB) e extrai-o diretamente para a tua pasta datasets/ antes do treino — a pasta de nível superior do próprio arquivo já se chama ADEChallengeData2016/, por isso, ao extraí-lo lá (e não para uma pasta separada ADEChallengeData2016 que cries), obténs o layout de images/ e annotations/ que o ade20k.yaml espera.
Link to this sectionPor que o ADE20K usa label_mapping?#
As máscaras de anotação do ADE20K armazenam IDs de rótulos de origem onde 0 denota a classe de ignorar ou de fundo. A seção label_mapping mapeia rótulos válidos de 1 a 150 para IDs de treinamento contíguos de 0 a 149, e atribui 255 aos pixels ignorados para que sejam excluídos da perda e das métricas durante o treinamento e a validação.
Link to this sectionO dataset ADE20K é gratuito para uso comercial?#
Não. As imagens do ADE20K são disponibilizadas sob termos que restringem o uso à investigação não comercial e educação; o software de anotação que o acompanha é licenciado separadamente sob BSD-3. Contacta o MIT CSAIL para opções de licenciamento comercial.