Набор данных Argoverse
Набор данных Ultralytics Argoverse (Argoverse-HD) для 2D-обнаружения объектов содержит 54 446 размеченных изображений для автономного вождения: 39 384 для обучения и 15 062 для валидации. В наборе 8 классов: человек, велосипед, автомобиль, мотоцикл, автобус, грузовик, светофор и знак «Стоп». Изображения сняты фронтальной центральной камерой кругового обзора автомобиля, а аннотации взяты из проекта потокового восприятия Университета Карнеги — Меллона, основанного на данных вождения Argoverse 1.1 от Argo AI. Это масштабный бенчмарк из реального мира для обучения моделей компьютерного зрения обнаружению дорожных объектов в сценариях автономного вождения.
Открой Argoverse-HD на платформе Ultralytics, чтобы просмотреть примеры с аннотациями, изучить статистику набора данных и клонировать его для обучения.
Используй Python 3.11 или новее и укажи для ULTRALYTICS_API_KEY ключ из настроек Platform. Передай URL набора данных Argoverse в data, чтобы автоматически скачать изображения и подготовить метки YOLO. Конфигурация Argoverse.yaml также скачивает данные с Platform, если набора данных нет локально.
Основные особенности#
- 8 классов для обнаружения объектов: человек, велосипед, автомобиль, мотоцикл, автобус, грузовик, светофор и знак «Стоп».
- 54 446 размеченных изображений — 39 384 для обучения и 15 062 для валидации, а также неразмеченная тестовая выборка, зарезервированная для соревнования eval.ai.
- Кадры размером 1920 × 1200 с камеры ring-front-center, снятые в городских условиях автономного вождения.
- При первом использовании аннотации автоматически преобразуются в формат YOLO, поэтому набор данных можно напрямую использовать для обучения моделей Ultralytics YOLO обнаружению объектов.
Структура набора данных#
Набор данных Argoverse-HD на Platform сохраняет три заранее заданных подмножества:
| Подвыборка | Изображения | Разметка |
|---|---|---|
| Обучение | 39,384 | Да |
| Валидация | 15,062 | Да |
| Тестовая | 12,507 | Без разметки (соревнование eval.ai) |
Во всех изображениях представлены одни и те же 8 классов объектов (индексы 0–7): человек, велосипед, автомобиль, мотоцикл, автобус, грузовик, светофор и знак «Стоп».
Ultralytics автоматически скачивает набор данных с Platform и преобразует его аннотации в метки для детекции YOLO, поэтому вручную предварительно обрабатывать данные не нужно.
Применение#
Набор данных Argoverse-HD подходит для различных задач обнаружения объектов в автономном вождении:
- Восприятие для беспилотных автомобилей — обнаружение автомобилей, пешеходов и велосипедистов с помощью фронтальной камеры для поддержки навигации автономных автомобилей.
- Передовые системы помощи водителю (ADAS) — распознавание светофоров и знаков «Стоп» для оповещения водителя в реальном времени.
- Мониторинг дорожного движения — подсчёт участников движения и отслеживание их перемещений в городских сценах для аналитики умного города.
- Исследования и создание прототипов — масштабный реалистичный набор данных для изучения обучения моделей и предсказаний на дорожных данных.
Файл YAML набора данных#
Конфигурация датасета, включая пути, классы и другие необходимые сведения, задаётся в YAML-файле. Для датасета Argoverse файл Argoverse.yaml хранится по адресу 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))Использование#
Чтобы обучить модель YOLO26n на датасете Argoverse в течение 100 эпох с размером изображения 640, используй следующие примеры кода.
from ultralytics import YOLO
# Загрузить модель
model = YOLO("yolo26n.pt") # загрузить предварительно обученную модель (рекомендуется для обучения)
# Обучить модель
results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)После обучения выполни инференс с помощью дообученной модели на новых изображениях или видео с дорожной обстановкой:
from ultralytics import YOLO
# Загрузить модель
model = YOLO("path/to/best.pt") # загрузить дообученную модель Argoverse
# Инференс с использованием модели
results = model.predict("path/to/driving-scene.jpg")Примеры данных и аннотаций#
Датасет Argoverse-HD содержит изображения дорог высокого разрешения, снятые кольцевой фронтально-центральной камерой и размеченные 2D ограничивающими рамками для 8 классов объектов. Ниже приведён пример изображения из датасета с соответствующими аннотациями:

- Размеченная дорожная сцена: на изображении объекты на дороге, например автомобили и пешеходы, размечены 2D ограничивающими рамками — в таком формате модели YOLO учатся предсказывать объекты во время обучения.
Цитирование и благодарности#
Аннотации для обнаружения объектов в 2D, используемые в датасете Argoverse-HD, взяты из работы Carnegie Mellon University по потоковому восприятию. Если используешь датасет в исследованиях или разработке, укажи ссылку:
@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}
}Мы выражаем благодарность Carnegie Mellon University за аннотации для обнаружения объектов в Argoverse-HD и Argo AI за создание исходного датасета Argoverse, ценного ресурса для сообщества исследователей автономного вождения.
Часто задаваемые вопросы#
Датасет Ultralytics Argoverse (Argoverse-HD) предназначен для обнаружения объектов в 2D и содержит 54 446 изображений для автономного вождения с 8 классами: человек, велосипед, автомобиль, мотоцикл, автобус, грузовик, светофор и знак «Стоп». Он используется для обучения и оценки моделей, обнаруживающих объекты на дороге по изображению с фронтальной камеры автомобиля, а также для исследований в области восприятия беспилотных автомобилей, ADAS и мониторинга дорожного движения.
Датасет Argoverse-HD содержит 8 классов (человек, велосипед, автомобиль, мотоцикл, автобус, грузовик, светофор и знак «Стоп») и 54 446 размеченных изображений — 39 384 для обучения и 15 062 для валидации, — а также неразмеченную тестовую подвыборку для соревнования eval.ai.
В Ultralytics это датасет для обнаружения объектов в 2D (кадры Argoverse-HD с камер с 2D ограничивающими рамками), а не набор данных для исследований 3D-трекинга, прогнозирования движения или LiDAR из более широкой программы Argoverse. Для обучения используй стандартную модель обнаружения, например
yolo26n.pt.Укажи
ULTRALYTICS_API_KEYи обучай модель напрямую по URL набора данных на Platform:Примерfrom ultralytics import YOLO # Загрузить модель model = YOLO("yolo26n.pt") # загрузить предварительно обученную модель (рекомендуется для обучения) # Обучить модель results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)Подробное описание аргументов смотри на странице обучения модели.
Скачай Argoverse с Ultralytics Platform. После настройки
ULTRALYTICS_API_KEYпередай этот URL напрямую в качестве аргументаdataдля обучения: Ultralytics скачает набор данных и автоматически подготовит метки YOLO.Да. Открой Argoverse-HD на Ultralytics Platform, чтобы изучить изображения и аннотации набора, клонировать его и обучать модели детекции объектов в облаке. Также можно посмотреть связанные наборы данных в обзоре наборов данных для детекции.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.



