Link to this sectionArgoverse Veri Kümesi#

Ultralytics Argoverse veri kümesi (Argoverse-HD), 8 sınıf (kişi, bisiklet, araba, motosiklet, otobüs, kamyon, trafik ışığı ve dur levhası) genelinde 54.446 etiketli otonom sürüş görüntüsünden — 39.384'ü eğitim ve 15.062'si doğrulama için — oluşan bir 2D nesne algılama veri kümesidir. Görüntüler bir aracın halka-ön-orta kamerasından yakalanmıştır ve açıklamalar, Argo AI'nun Argoverse 1.1 sürüş verileri üzerine inşa edilmiş Carnegie Mellon Üniversitesi'nin akışlı algılama projesinden gelmektedir. Otonom sürüş senaryolarında yol nesnelerini tespit etmek için bilgisayarlı görü modelleri eğitmek üzere kullanılan büyük, gerçek dünya temelli bir kıyaslama veri kümesidir.

Link to this sectionTemel Özellikler#

• 8 nesne algılama sınıfı: kişi, bisiklet, araba, motosiklet, otobüs, kamyon, trafik ışığı ve dur levhası.
• 54.446 etiketli görüntü — 39.384'ü eğitim ve 15.062'si doğrulama için — artı eval.ai challenge için ayrılmış etiketsiz bir test bölümü.
• Kentsel otonom sürüş sahnelerinde yakalanmış ~31.5 GB yüksek çözünürlüklü halka-ön-orta kamera kareleri.
• Açıklamalar ilk kullanımda otomatik olarak YOLO formatına dönüştürülür, bu sayede veri kümesi doğrudan Ultralytics YOLO algılama modelleri ile eğitilebilir.

Link to this sectionVeri Kümesi Yapısı#

Argoverse-HD veri kümesi, Argoverse.yaml yapılandırması ile tanımlanan üç önceden tanımlanmış alt kümeye ayrılmıştır:

Tüm görüntüler aynı 8 nesne sınıfını paylaşır (indeksler 0–7): kişi, bisiklet, araba, motosiklet, otobüs, kamyon, trafik ışığı ve dur levhası.

Link to this sectionUygulamalar#

Argoverse-HD veri kümesi, otonom sürüşte çeşitli nesne algılama uygulamalarını destekler:

• Otonom sürüş algılama — otonom araç navigasyonunu desteklemek için öne bakan bir kameradan araçları, yayaları ve bisikletlileri tespit etme.
• Gelişmiş sürücü destek sistemleri (ADAS) — gerçek zamanlı sürücü uyarıları için trafik ışıklarını ve dur levhalarını tanıma.
• Trafik izleme — akıllı şehir analitiği için kentsel sahnelerdeki yol kullanıcılarını sayma ve takip etme.
• Araştırma ve prototipleme — sürüş verileri üzerinde model eğitimi ve tahmin öğrenimi için büyük, gerçek dünya temelli bir kıyaslama.

Link to this sectionVeri Kümesi YAML#

Bir YAML dosyası, yollar, sınıflar ve diğer ilgili detaylar dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Argoverse veri kümesi için Argoverse.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yaml adresinde tutulmaktadır.

# 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

Link to this sectionKullanım#

Argoverse veri kümesi üzerinde 640 görüntü boyutuyla 100 dönem (epoch) boyunca bir YOLO26n modeli eğitmek için aşağıdaki kod örneklerini kullan. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bak.

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)

Eğitim tamamlandıktan sonra, ince ayar yapılmış modelle yeni sürüş görüntüleri veya videoları üzerinde çıkarım (inference) çalıştır:

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")

Link to this sectionÖrnek Veriler ve Etiketler#

Argoverse-HD veri kümesi, 8 nesne sınıfı için 2D sınırlayıcı kutularla açıklanmış, halka-ön-orta kamerasından yakalanan yüksek çözünürlüklü sürüş görüntülerini içerir. Aşağıda, ilgili açıklamalarıyla birlikte veri kümesinden örnek bir görüntü bulunmaktadır:

• Açıklamalı sürüş sahnesi: Bu görüntü, YOLO modellerinin eğitim sırasında tahmin etmeyi öğrendiği format olan 2D sınırlayıcı kutularla etiketlenmiş araçlar ve yayalar gibi yol nesnelerini gösterir.

Link to this sectionAlıntılar ve Teşekkür#

Bu veri kümesinde kullanılan Argoverse-HD 2D algılama açıklamaları, Carnegie Mellon Üniversitesi'nin akışlı algılama çalışmalarından gelmektedir. Veri kümesini araştırmanda veya geliştirmende kullanırsan lütfen şu şekilde atıfta bulun:

@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}
}

Argoverse-HD algılama açıklamaları için Carnegie Mellon Üniversitesi'ne ve orijinal Argoverse veri kümesini otonom sürüş araştırma topluluğu için değerli bir kaynak olarak oluşturduğu için Argo AI'ya teşekkür ederiz.

Link to this sectionSSS#

Link to this sectionArgoverse veri kümesi nedir ve ne için kullanılır?#

Ultralytics Argoverse veri kümesi (Argoverse-HD), 8 sınıf (kişi, bisiklet, araba, motosiklet, otobüs, kamyon, trafik ışığı ve dur levhası) genelinde 54.446 otonom sürüş görüntüsünden oluşan bir 2D nesne algılama veri kümesidir. Öne bakan bir araç kamerasından yol nesnelerini tespit eden, otonom sürüş algılama, ADAS ve trafik izleme araştırmalarını destekleyen modelleri eğitmek ve değerlendirmek için kullanılır.

Link to this sectionArgoverse veri kümesinde kaç sınıf ve görüntü var?#

Argoverse-HD veri kümesi 8 sınıfa (kişi, bisiklet, araba, motosiklet, otobüs, kamyon, trafik ışığı ve dur levhası) ve 54.446 etiketli görüntüye — 39.384'ü eğitim ve 15.062'si doğrulama için — artı eval.ai challenge için ayrılmış etiketsiz bir test bölümüne sahiptir.

Link to this sectionArgoverse veri kümesi Ultralytics'te 2D mi yoksa 3D algılama mı?#

Ultralytics'te bu, daha geniş Argoverse programındaki 3D-izleme, hareket tahmini veya LiDAR araştırma paketi değil, bir 2D nesne algılama veri kümesidir (2D sınırlayıcı kutular içeren Argoverse-HD kamera kareleri). Bunu yolo26n.pt gibi standart bir algılama modeliyle eğitirsin.

Link to this sectionArgoverse veri kümesini kullanarak nasıl YOLO26 modeli eğitirim?#

Önce veri kümesini manuel olarak indir (aşağıya bak), ardından Argoverse.yaml yapılandırma dosyası ile eğit:

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)

Argümanların ayrıntılı açıklaması için Training modeli sayfasına bak.

Link to this sectionAmazon S3'ten kaldırıldığına göre Argoverse veri kümesini nereden indirebilirim?#

Daha önce Amazon S3'te barındırılan Argoverse-HD *.zip dosyası (~31.5 GB), artık Google Drive üzerinden manuel olarak indirilebilir. Otomatik indirme çalışmayacaktır, bu nedenle eğitim komutunu çalıştırmadan önce arşivi edin.

Link to this sectionArgoverse veri kümesini Ultralytics Platform ile kullanabilir miyim?#

Evet. Ultralytics Platform, Argoverse-HD gibi büyük veri kümelerini yükleyip sürümlendirmeni ve ardından ağır yerel kurulumlar yapmadan bulutta nesne algılama modelleri eğitip dağıtmanı sağlar. Ayrıca ilgili veri kümelerine algılama veri kümelerine genel bakış sayfasından göz atabilirsin.