Argoverse Veri Kümesi#

66,953

Argoverse-HD

ultralytics

publicDetect

Argoverse-HD is an autonomous-driving object detection dataset derived from Argoverse 1.1 ring-front-center tracking images with Argoverse-HD annotations from Carnegie Mellon University's Streaming Perception benchmark. This normalized release contains 66,953 globally unique 1920 x 1200 images: 39,384 train, 15,062 validation, and 12,507 unlabeled test images. The 54,446 train/validation images contain 1,025,715 boxes across 8 classes; 19 are background images without boxes. Data and documentation © 2018-2019 Argo AI, LLC, licensed CC BY-NC-SA 4.0. Argoverse-HD annotations are attributed to the CMU Streaming Perception project.

8 classes23.5 GBAug 21, 2026

personbicyclecarmotorcycle+4

autonomous-drivingobject-detectionargoverse+1

Ultralytics Argoverse veri kümesi (Argoverse-HD), eğitim için 39.384 ve doğrulama için 15.062 olmak üzere toplam 54.446 etiketli otonom sürüş görüntüsünden oluşan bir 2D nesne algılama veri kümesidir. Bu görüntüler insan, bisiklet, araba, motosiklet, otobüs, kamyon, trafik lambası ve dur levhası olmak üzere 8 sınıfı kapsar. Görüntüler bir aracın halkalı ön merkez kamerasından alınmıştır ve etiketlemeler, Argo AI'nin Argoverse 1.1 sürüş verileri üzerine inşa edilen Carnegie Mellon Üniversitesi'nin akışlı algılama projesinden gelmektedir. Bu, bilgisayarlı görüş modellerini otonom sürüş senaryolarında yol nesnelerini algılaması için eğitmek amacıyla kullanılan büyük, gerçek dünya tabanlı bir kıyaslama testidir.

Argoverse-HD on Ultralytics Platform adresini ziyaret ederek etiketlenmiş örnekleri önizleyebilir, veri kümesi istatistiklerini inceleyebilir ve model eğitimi için klonlayabilirsin.

Temel Özellikler#

• 8 nesne algılama sınıfı: kişi, bisiklet, araba, motosiklet, otobüs, kamyon, trafik ışığı ve dur levhası.
• 54.446 etiketli görüntü — eğitim için 39.384 ve doğrulama için 15.062 — ayrıca eval.ai yarışması için ayrılmış etiketlenmemiş 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.

Veri Kümesi Yapısı#

Argoverse-HD veri kümesi, Argoverse.yaml yapılandırmasıyla tanımlanan önceden belirlenmiş üç alt kümeye ayrılmıştır:

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

Uygulamalar#

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

• Otonom sürüş algısı — otonom araç navigasyonunu desteklemek için öne bakan bir kameradan araçları, yayaları ve bisikletlileri algılayın.
• 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 öğrenmek için büyük, gerçek dünya tabanlı bir kıyaslama testi.

Veri Kümesi YAML#

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

# 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

Kullanım#

Argoverse veri kümesi üzerinde 640 görüntü boyutuyla 100 dönem boyunca bir YOLO26n modeli eğitmek için aşağıdaki kod örneklerini kullanın. Mevcut argümanların kapsamlı bir listesi için modelin Eğitim sayfasına bakın.

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)

Eğitildikten sonra, ince ayarlanmış model ile yeni sürüş görüntüleri veya videoları üzerinde çıkarım çalıştırın:

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")

Örnek 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.

Alıntılar 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 etiketlemeleri için Carnegie Mellon Üniversitesi'ne ve orijinal Argoverse veri kümesini otonom sürüş araştırma topluluğu için değerli bir kaynak olarak yarattıkları için Argo AI'ye teşekkür ederiz.

SSS#