Meet YOLO26: next-gen vision AI.

Link to this sectionНабор данных Cityscapes#

Набор данных Cityscapes — это масштабный эталонный тест для семантической сегментации, сфокусированный на городских уличных сценах, снятых в 50 европейских городах. Он предоставляет высококачественные аннотации на уровне пикселей и является одним из самых широко используемых наборов данных для исследований в области беспилотного вождения и понимания городских сцен с помощью моделей Ultralytics YOLO.

Link to this sectionОсновные характеристики#

  • Детальные аннотации Cityscapes включают 2 975 обучающих изображений, 500 валидационных и 1 525 тестовых изображений.
  • Набор данных охватывает 19 оценочных классов, включая категории дорог, транспортных средств, людей, строений, объектов, природы и неба.
  • Cityscapes предоставляет стандартизированные метрики оценки, такие как среднее пересечение по объединению (mIoU) для семантической сегментации, что позволяет эффективно сравнивать производительность моделей.

Link to this sectionСтруктура набора данных#

Конфигурация Ultralytics ожидает следующую структуру после подготовки:

cityscapes/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── masks/
    ├── train/
    ├── val/
    └── test/

Семантические маски представляют собой одноканальные PNG-файлы. Исходные идентификаторы меток Cityscapes преобразуются в стандартные 19 обучающих идентификаторов через раздел label_mapping, а игнорируемые или пустые метки сопоставляются с 255, чтобы они исключались из обучения и оценки. Загрузи официальные архивы leftImg8bit и gtFine с веб-сайта Cityscapes и распакуй их в корневую папку набора данных; затем блок подготовки в cityscapes.yaml организует изображения и маски в эту структуру.

Link to this sectionПрименение#

Cityscapes широко используется для обучения и оценки моделей глубинного обучения в семантической сегментации, особенно для беспилотного вождения, передовых систем помощи водителю (ADAS) и городской робототехники.

Его изображения высокого разрешения и детальные аннотации также делают его ценным для исследований в области анализа сцен в реальном времени, распознавания полос и препятствий, а также для любой задачи, требующей плотного понимания сложных городских сред на уровне пикселей.

Link to this sectionYAML набора данных#

YAML-файл набора данных определяет пути, классы, каталог масок и сопоставление меток Cityscapes. Файл cityscapes.yaml поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/cityscapes.yaml.

ultralytics/cfg/datasets/cityscapes.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes/
# Example usage: yolo semantic train data=cityscapes.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
#     └── cityscapes ← downloads here (11 GB)
#         └── images
#         └── masks

# Dataset root directory
path: cityscapes # dataset root dir
train: images/train # train images (relative to 'path') 2975 images
val: images/val # val images (relative to 'path') 500 images
test: images/test # test images (relative to 'path') 1525 images

masks_dir: masks # semantic mask directory

# Cityscapes 19-class labels
names:
  0: road
  1: sidewalk
  2: building
  3: wall
  4: fence
  5: pole
  6: traffic light
  7: traffic sign
  8: vegetation
  9: terrain
  10: sky
  11: person
  12: rider
  13: car
  14: truck
  15: bus
  16: train
  17: motorcycle
  18: bicycle

# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
  -1: ignore_label
  0: ignore_label
  1: ignore_label
  2: ignore_label
  3: ignore_label
  4: ignore_label
  5: ignore_label
  6: ignore_label
  7: 0
  8: 1
  9: ignore_label
  10: ignore_label
  11: 2
  12: 3
  13: 4
  14: ignore_label
  15: ignore_label
  16: ignore_label
  17: 5
  18: ignore_label
  19: 6
  20: 7
  21: 8
  22: 9
  23: 10
  24: 11
  25: 12
  26: 13
  27: 14
  28: 15
  29: ignore_label
  30: ignore_label
  31: 16
  32: 17
  33: 18

# Preparation script (requires manual Cityscapes download)
download: |
  from pathlib import Path
  from shutil import copy2

  cityscapes_dir = Path(yaml["path"])  # dataset root dir
  # Download and extract the official Cityscapes leftImg8bit and gtFine archives into cityscapes_dir first.
  leftimg8bit_dir = cityscapes_dir / "leftImg8bit"
  gtfine_dir = cityscapes_dir / "gtFine"

  for split in ("train", "val", "test"):
      print(f"Processing {split} set")
      src_image_dir = leftimg8bit_dir / split
      dst_image_dir = cityscapes_dir / "images" / split
      dst_mask_dir = cityscapes_dir / "masks" / split
      dst_image_dir.mkdir(parents=True, exist_ok=True)
      dst_mask_dir.mkdir(parents=True, exist_ok=True)

      image_paths = sorted(src_image_dir.rglob("*_leftImg8bit.png"))
      for image_path in image_paths:
          relative_path = image_path.relative_to(src_image_dir)
          mask_path = gtfine_dir / split / relative_path.parent / image_path.name.replace(
              "_leftImg8bit.png", "_gtFine_labelIds.png"
          )
          if not mask_path.exists():
              raise FileNotFoundError(f"Mask not found for {image_path}: {mask_path}")

          image_name = image_path.name.replace("_leftImg8bit", "")
          mask_name = mask_path.name.replace("_gtFine_labelIds", "")
          copy2(image_path, dst_image_dir / image_name)
          copy2(mask_path, dst_mask_dir / mask_name)

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n-sem на наборе данных Cityscapes в течение 100 эпох с размером изображения 1024, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице обучения моделей.

Пример обучения
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="cityscapes.yaml", epochs=100, imgsz=1024)

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных Cityscapes в своей исследовательской или проектной работе, пожалуйста, сошлися на следующую публикацию:

Цитата
@inproceedings{Cordts2016Cityscapes,
  title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
  author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
  booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2016}
}

Мы хотели бы выразить признательность команде Cityscapes за создание и поддержку этого ценного ресурса для сообществ, занимающихся беспилотным вождением и компьютерным зрением. Для получения дополнительной информации о наборе данных Cityscapes и его создателях посети веб-сайт набора данных Cityscapes.

Link to this sectionЧасто задаваемые вопросы#

Link to this sectionЧто такое набор данных Cityscapes и почему он важен для компьютерного зрения?#

Набор данных Cityscapes — это масштабный эталонный тест для семантической сегментации, сфокусированный на городских уличных сценах, снятых в 50 европейских городах. Он содержит 5 000 детально аннотированных изображений по 19 оценочным классам, что делает его фундаментальным ресурсом для исследований в области беспилотного вождения и понимания городских сцен. Изображения высокого разрешения, плотные аннотации и стандартизированная метрика среднего пересечения по объединению (mIoU) делают его идеальным для бенчмаркинга моделей плотного прогнозирования.

Link to this sectionКак я могу обучить модель YOLO, используя набор данных Cityscapes?#

Чтобы обучить модель YOLO26n-sem на наборе данных Cityscapes в течение 100 эпох с размером изображения 1024, ты можешь использовать следующие фрагменты кода. Подробный список доступных аргументов смотри на странице обучения модели.

Пример обучения
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="cityscapes.yaml", epochs=100, imgsz=1024)

Link to this sectionКак структурирован набор данных Cityscapes?#

После подготовки набор данных организуется в каталоги images/{train,val,test}/ и masks/{train,val,test}/, где каждое изображение связано с одноканальной PNG-маской. YAML-файл Ultralytics связывает каждое изображение с его маской через поле masks_dir: masks и использует label_mapping для преобразования исходных идентификаторов меток Cityscapes в стандартные 19 непрерывных обучающих идентификаторов, сопоставляя игнорируемые и пустые метки с 255.

Link to this sectionНужно ли мне скачивать Cityscapes вручную?#

Да. Cityscapes требует принятия условий использования на официальном сайте. Скачай и распакуй leftImg8bit и gtFine в корень набора данных cityscapes перед использованием блока подготовки в cityscapes.yaml для создания требуемой структуры images/ и masks/.

Link to this sectionПочему Cityscapes использует label_mapping?#

Исходные маски Cityscapes содержат оригинальные идентификаторы меток, которые отличаются от 19 обучающих идентификаторов, используемых для оценки. Раздел label_mapping преобразует действительные метки в непрерывные идентификаторы классов от 0 до 18 и присваивает 255 игнорируемым и пустым меткам, чтобы они исключались из функции потерь и метрик во время обучения и валидации.

Авторы
GLglenn-jocher1LALaughing-q1

Комментарии