Датасет Argoverse#

66,953

Argoverse-HD

ultralytics

publicDetect

Argoverse-HD pairs Argoverse 1.1 ring-front-center driving frames with Carnegie Mellon University's Streaming Perception annotations. Eight classes cover vehicles, pedestrians, cyclists, motorcycles, buses, traffic lights, and stop signs in urban road scenes.

8 classes23.5 GBSep 2, 2026

personbicyclecarmotorcycle+4

autonomous-drivingobject-detectionargoverse+1

Датасет Argoverse от Ultralytics (Argoverse-HD) — это датасет 2D детекции объектов, содержащий 54 446 размеченных изображений для автономного вождения: 39 384 для обучения и 15 062 для валидации — с 8 классами: человек, велосипед, автомобиль, мотоцикл, автобус, грузовик, светофор и знак «Стоп». Изображения сняты кольцевой фронтально-центральной камерой автомобиля, а аннотации предоставлены проектом потокового восприятия Carnegie Mellon University, созданным на основе данных вождения Argoverse 1.1 от Argo AI. Это крупный бенчмарк на данных реального мира для обучения моделей компьютерного зрения обнаружению дорожных объектов в сценариях беспилотного вождения.

Открой Argoverse-HD на платформе Ultralytics, чтобы просмотреть размеченные примеры, изучить статистику датасета и клонировать его для обучения.

Ключевые особенности#

• 8 классов детекции объектов: человек, велосипед, автомобиль, мотоцикл, автобус, грузовик, светофор и знак «Стоп».
• 54 446 размеченных изображений — 39 384 для обучения и 15 062 для валидации — плюс неразмеченная тестовая выборка, зарезервированная для соревнования eval.ai.
• ~31.5 GB кадров высокого разрешения, снятых кольцевой фронтально-центральной камерой в городских сценах автономного вождения.
• Аннотации автоматически преобразуются в формат YOLO при первом использовании, поэтому датасет можно напрямую использовать для обучения моделей детекции Ultralytics YOLO.

Структура датасета#

Датасет Argoverse-HD разделён на три заранее определённые подвыборки, заданные конфигурацией Argoverse.yaml:

Все изображения содержат одни и те же 8 классов объектов (индексы 0–7): человек, велосипед, автомобиль, мотоцикл, автобус, грузовик, светофор и знак «Стоп».

Применения#

Датасет Argoverse-HD поддерживает широкий спектр приложений детекции объектов для автономного вождения:

• Восприятие для беспилотного вождения — обнаружение автомобилей, пешеходов и велосипедистов с фронтальной камеры для поддержки навигации автономных автомобилей.
• Продвинутые системы помощи водителю (ADAS) — распознавание светофоров и знаков «Стоп» для оповещения водителя в реальном времени.
• Мониторинг дорожного движения — подсчёт и отслеживание участников движения в городских сценах для аналитики умных городов.
• Исследования и прототипирование — крупный бенчмарк на данных реального мира для изучения обучения моделей и предсказаний на данных вождения.

YAML датасета#

Файл YAML определяет конфигурацию датасета, включая пути, классы и другие важные сведения. Для датасета Argoverse файл Argoverse.yaml поддерживается 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
# parent
# ├── ultralytics
# └── datasets
#     └── Argoverse ← downloads here (31.5 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: 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: |
  import json
  from pathlib import Path

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

  def argoverse2yolo(annotation_file):
      """Convert Argoverse dataset annotations to YOLO format for object detection tasks."""
      labels = {}
      with open(annotation_file, encoding="utf-8") as f:
          a = json.load(f)
      for annot in TQDM(a["annotations"], desc=f"Converting {annotation_file} to YOLO format..."):
          img_id = annot["image_id"]
          img_name = a["images"][img_id]["name"]
          img_label_name = f"{Path(img_name).stem}.txt"

          cls = annot["category_id"]  # instance class id
          x_center, y_center, width, height = annot["bbox"]
          x_center = (x_center + width / 2) / 1920.0  # offset and scale
          y_center = (y_center + height / 2) / 1200.0  # offset and scale
          width /= 1920.0  # scale
          height /= 1200.0  # scale

          img_dir = annotation_file.parents[2] / "Argoverse-1.1" / "labels" / a["seq_dirs"][a["images"][annot["image_id"]]["sid"]]
          if not img_dir.exists():
              img_dir.mkdir(parents=True, exist_ok=True)

          k = str(img_dir / img_label_name)
          if k not in labels:
              labels[k] = []
          labels[k].append(f"{cls} {x_center} {y_center} {width} {height}\n")

      for k in labels:
          with open(k, "w", encoding="utf-8") as f:
              f.writelines(labels[k])

  # Download 'https://argoverse-hd.s3.amazonaws.com/Argoverse-HD-Full.zip' (deprecated S3 link)
  dir = Path(yaml["path"])  # dataset root dir
  urls = ["https://drive.google.com/file/d/1st9qW3BeIwQsnR0t8mRpvbsSWIo16ACi/view?usp=drive_link"]
  print("\n\nWARNING: Argoverse dataset MUST be downloaded manually, autodownload will NOT work.")
  print(f"WARNING: Manually download Argoverse dataset '{urls[0]}' to '{dir}' and re-run your command.\n\n")
  # download(urls, dir=dir)

  # Convert
  annotations_dir = "Argoverse-HD/annotations/"
  (dir / "Argoverse-1.1" / "tracking").rename(dir / "Argoverse-1.1" / "images")  # rename 'tracking' to 'images'
  for d in "train.json", "val.json":
      argoverse2yolo(dir / annotations_dir / d)  # convert Argoverse annotations to YOLO labels

Использование#

Чтобы обучить модель YOLO26n на датасете Argoverse в течение 100 эпох с размером изображения 640, используй следующие примеры кода. Полный список доступных аргументов приведён на странице обучения модели.

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

После обучения запусти инференс на новых изображениях или видео вождения с помощью дообученной модели:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load an Argoverse fine-tuned model

# Inference using the model
results = model.predict("path/to/driving-scene.jpg")

Примеры данных и аннотаций#

Датасет Argoverse-HD содержит изображения вождения 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 сцена вождения: на этом изображении показаны дорожные объекты, например автомобили и пешеходы, размеченные 2D ограничивающими рамками — именно такой формат модели YOLO учатся предсказывать во время обучения.

Цитирование и благодарности#

Аннотации для 2D детекции Argoverse-HD, используемые в этом датасете, получены в рамках работы Carnegie Mellon University над потоковым восприятием. Если ты используешь датасет в исследовании или разработке, пожалуйста, процитируй:

@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 детекции Argoverse-HD и Argo AI за создание исходного датасета Argoverse, ценного ресурса для исследовательского сообщества в области автономного вождения.

Часто задаваемые вопросы#