Argoverse Veri Kümesi

Argoverse veri seti, 3D izleme, hareket tahmini ve stereo derinlik tahmini gibi otonom sürüş görevlerindeki araştırmaları desteklemek için tasarlanmış bir veri koleksiyonudur. Argo AI tarafından geliştirilen veri seti, yüksek çözünürlüklü görüntüler, LiDAR nokta bulutları ve harita verileri de dahil olmak üzere çok çeşitli yüksek kaliteli sensör verileri sağlar.

Temel Özellikler

• Argoverse, 1.263 farklı sahnede 290 binden fazla etiketli 3B nesne izi ve 5 milyon nesne örneği içerir.
• Veri setinde yüksek çözünürlüklü kamera görüntüleri, LiDAR nokta bulutları ve zengin açıklamalı HD haritalar bulunmaktadır.
• Ek açıklamalar nesneler için 3B sınırlayıcı kutular, nesne izleri ve yörünge bilgilerini içerir.
• Argoverse, 3D izleme, hareket tahmini ve stereo derinlik tahmini gibi farklı görevler için birden fazla alt küme sağlar.

Veri Kümesi Yapısı

Argoverse veri kümesi üç ana alt küme halinde düzenlenmiştir:

1. Argoverse 3D İzleme: Bu alt küme, 3D nesne izleme görevlerine odaklanan 290 binden fazla etiketli 3D nesne izine sahip 113 sahne içerir. LiDAR nokta bulutlarını, kamera görüntülerini ve sensör kalibrasyon bilgilerini içerir.
2. Argoverse Hareket Tahmini: Bu alt küme, hareket tahmini görevleri için uygun olan 60 saatlik sürüş verilerinden toplanan 324 bin araç yörüngesinden oluşur.
3. Argoverse Stereo Derinlik Tahmini: Bu alt küme stereo derinlik tahmini görevleri için tasarlanmıştır ve zemin gerçeği derinlik tahmini için karşılık gelen LiDAR nokta bulutları ile 10.000'den fazla stereo görüntü çifti içerir.

Uygulamalar

The Argoverse dataset is widely used for training and evaluating deep learning models in autonomous driving tasks such as 3D object tracking, motion forecasting, and stereo depth estimation. The dataset's diverse set of sensor data, object annotations, and map information make it a valuable resource for researchers and practitioners in the field of autonomous driving.

Veri Kümesi YAML

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgiler içerir. Argoverse veri kümesi için Argoverse.yaml dosyası şu adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 license
# Argoverse-HD dataset (ring-front-center camera) https://www.cs.cmu.edu/~mengtial/proj/streaming/ by Argo AI
# 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: ../datasets/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 tqdm import tqdm
  from ultralytics.utils.downloads import download
  from pathlib import Path

  def argoverse2yolo(set):
      labels = {}
      a = json.load(open(set, "rb"))
      for annot in tqdm(a['annotations'], desc=f"Converting {set} to YOLOv5 format..."):
          img_id = annot['image_id']
          img_name = a['images'][img_id]['name']
          img_label_name = f'{img_name[:-3]}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 = set.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") as f:
              f.writelines(labels[k])


  # Download 'https://argoverse-hd.s3.us-east-2.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

Kullanım

To train a YOLO11n model on the Argoverse dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=Argoverse.yaml model=yolo11n.pt epochs=100 imgsz=640

Örnek Veriler ve Açıklamalar

Argoverse veri kümesi, kamera görüntüleri, LiDAR nokta bulutları ve HD harita bilgileri de dahil olmak üzere çeşitli sensör verileri içerir ve otonom sürüş görevleri için zengin bir bağlam sağlar. İşte veri kümesinden bazı veri örnekleri ve bunlara karşılık gelen ek açıklamalar:

• Argoverse 3D İzleme: Bu görüntü, nesnelerin 3B sınırlayıcı kutularla açıklandığı bir 3B nesne izleme örneğini göstermektedir. Veri seti, bu görev için modellerin geliştirilmesini kolaylaştırmak üzere LiDAR nokta bulutları ve kamera görüntüleri sağlamaktadır.

Bu örnek Argoverse veri setindeki verilerin çeşitliliğini ve karmaşıklığını ortaya koymakta ve otonom sürüş görevleri için yüksek kaliteli sensör verilerinin önemini vurgulamaktadır.

Atıflar ve Teşekkür

Argoverse veri setini araştırma veya geliştirme çalışmalarınızda kullanırsanız, lütfen aşağıdaki makaleye atıfta bulunun:

@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}
}

Otonom sürüş araştırma topluluğu için değerli bir kaynak olarak Argoverse veri setini oluşturduğu ve sürdürdüğü için Argo AI'ye teşekkür ederiz. Argoverse veri seti ve yaratıcıları hakkında daha fazla bilgi için Argoverse veri seti web sitesini ziyaret edin.

SSS

Argoverse veri seti ve temel özellikleri nelerdir?

Argo AI tarafından geliştirilen Argoverse veri seti, otonom sürüş araştırmalarını desteklemektedir. Bu veri seti 290 binden fazla etiketli 3B nesne izi ve 1.263 farklı sahnede 5 milyon nesne örneği içermektedir. Veri kümesi yüksek çözünürlüklü kamera görüntüleri, LiDAR nokta bulutları ve açıklamalı HD haritalar sağlayarak 3B izleme, hareket tahmini ve stereo derinlik tahmini gibi görevler için değerli hale getirir.

Argoverse veri kümesini kullanarak bir Ultralytics YOLO modelini nasıl eğitebilirim?

Argoverse veri kümesiyle bir YOLO11 modelini eğitmek için, sağlanan YAML yapılandırma dosyasını ve aşağıdaki kodu kullanın:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=Argoverse.yaml model=yolo11n.pt epochs=100 imgsz=640

Argümanların ayrıntılı bir açıklaması için model Eğitim sayfasına bakın.

Argoverse veri kümesinde ne tür veriler ve ek açıklamalar mevcuttur?

Argoverse veri kümesi, yüksek çözünürlüklü kamera görüntüleri, LiDAR nokta bulutları ve HD harita verileri gibi çeşitli sensör veri türlerini içerir. Ek açıklamalar 3B sınırlayıcı kutuları, nesne izlerini ve yörünge bilgilerini içerir. Bu kapsamlı ek açıklamalar, 3B nesne izleme, hareket tahmini ve stereo derinlik tahmini gibi görevlerde doğru model eğitimi için gereklidir.

Argoverse veri kümesi nasıl yapılandırılmıştır?

Veri kümesi üç ana alt kümeye ayrılmıştır:

1. Argoverse 3D İzleme: 3D nesne izleme görevlerine odaklanan 290 binden fazla etiketli 3D nesne izine sahip 113 sahne içerir. LiDAR nokta bulutlarını, kamera görüntülerini ve sensör kalibrasyon bilgilerini içerir.
2. Argoverse Hareket Tahmini: Hareket tahmini görevleri için uygun olan 60 saatlik sürüş verilerinden toplanan 324K araç yörüngesinden oluşur.
3. Argoverse Stereo Derinlik Tahmini: Zemin gerçeği derinlik tahmini için karşılık gelen LiDAR nokta bulutları ile 10.000'den fazla stereo görüntü çifti içerir.

Amazon S3'ten kaldırıldığına göre Argoverse veri setini nereden indirebilirim?

Argoverse veri seti *.zip Daha önce Amazon S3'te bulunan dosya artık şu adresten manuel olarak indirilebilir Google Sürüş.

Argoverse veri kümesi ile kullanılan YAML yapılandırma dosyası nedir?

Bir YAML dosyası veri kümesinin yollarını, sınıflarını ve diğer temel bilgileri içerir. Argoverse veri kümesi için yapılandırma dosyası, Argoverse.yaml'ye aşağıdaki bağlantıdan ulaşabilirsiniz: Argoverse.yaml.

YAML yapılandırmaları hakkında daha fazla bilgi için veri kümeleri kılavuzumuza bakın.

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar