Argoverse Veri Kümesi

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

Temel Özellikler

• Argoverse, 1.263 farklı sahne genelinde 290 binden fazla etiketli 3B nesne izi ve 5 milyon nesne örneği içerir.
• Veri kümesi; yüksek çözünürlüklü kamera görüntüleri, LiDAR nokta bulutları ve zengin bir şekilde açıklanmış HD haritalar içerir.
• Açıklamalar arasında nesneler için 3B sınırlayıcı kutular (bounding box), nesne izleri ve yörünge bilgileri bulunur.
• Argoverse; 3B izleme, hareket tahmini ve stereo derinlik kestirimi gibi farklı görevler için çok sayıda alt küme sağlar.

Veri Kümesi Yapısı

Argoverse veri kümesi üç ana alt kümeye ayrılmıştır:

1. Argoverse 3D Tracking: Bu alt küme, 3B nesne izleme görevlerine odaklanan ve 290 binden fazla etiketli 3B nesne izi içeren 113 sahne barındırır. LiDAR nokta bulutları, kamera görüntüleri ve sensör kalibrasyon bilgilerini içerir.
2. Argoverse Motion Forecasting: Bu alt küme, hareket tahmini görevleri için uygun olan ve 60 saatlik sürüş verisinden toplanan 324 bin araç yörüngesinden oluşur.
3. Argoverse Stereo Depth Estimation: Bu alt küme, stereo derinlik kestirimi görevleri için tasarlanmıştır ve temel gerçeklik (ground truth) derinlik kestirimi için ilgili LiDAR nokta bulutlarıyla birlikte 10 binden fazla stereo görüntü çifti içerir.

Uygulamalar

Argoverse veri kümesi, 3B nesne izleme, hareket tahmini ve stereo derinlik kestirimi gibi otonom sürüş görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Veri kümesinin çok çeşitli sensör verileri, nesne açıklamaları ve harita bilgileri, onu otonom sürüş alanındaki araştırmacılar ve uygulayıcılar için değerli bir kaynak haline getirir.

Veri Kümesi YAML Dosyası

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında detaylar içerir. Argoverse veri kümesi için Argoverse.yaml dosyası şu adreste tutulmaktadır: 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.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

Bir YOLO26n modelini Argoverse veri kümesi üzerinde 640 görüntü boyutuyla 100 dönem (epoch) boyunca eğitmek için aşağıdaki kod parçalarını kullanabilirsin. Kullanılabilir argümanların kapsamlı bir listesi için model Eğitim sayfasına başvur.

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)

Örnek Veriler ve Açıklamalar

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

• Argoverse 3D Tracking: Bu görüntü, nesnelerin 3B sınırlayıcı kutularla açıklandığı bir 3B nesne izleme örneğini göstermektedir. Veri kümesi, bu görev için model geliştirmeyi kolaylaştırmak amacıyla LiDAR nokta bulutları ve kamera görüntüleri sağlar.

Bu örnek, Argoverse veri kümesindeki verilerin çeşitliliğini ve karmaşıklığını sergilemekte ve otonom sürüş görevleri için yüksek kaliteli sensör verilerinin önemini vurgulamaktadır.

Alıntılar ve Teşekkür

Argoverse veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen aşağıdaki makaleye atıfta bulun:

@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 veri kümesini otonom sürüş araştırma topluluğu için değerli bir kaynak olarak oluşturdukları ve korudukları için Argo AI'ya teşekkür ederiz. Argoverse veri kümesi ve yaratıcıları hakkında daha fazla bilgi için Argoverse veri kümesi web sitesini ziyaret et.

SSS

Argoverse veri kümesi nedir ve temel özellikleri nelerdir?

Argo AI tarafından geliştirilen Argoverse veri kümesi, otonom sürüş araştırmalarını destekler. 1.263 farklı sahne genelinde 290 binden fazla etiketli 3B nesne izi ve 5 milyon nesne örneği içerir. Veri kümesi; yüksek çözünürlüklü kamera görüntüleri, LiDAR nokta bulutları ve açıklanmış HD haritalar sağlayarak 3B izleme, hareket tahmini ve stereo derinlik kestirimi gibi görevler için onu değerli kılar.

Argoverse veri kümesini kullanarak bir Ultralytics YOLO modelini nasıl eğitebilirim?

YOLO26 modelini Argoverse veri kümesiyle eğitmek için sağlanan YAML yapılandırma dosyasını ve aşağıdaki kodu kullan:

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 model Eğitim sayfasına başvur.

Argoverse veri kümesinde ne tür veriler ve açıklamalar mevcuttur?

Argoverse veri kümesi; yüksek çözünürlüklü kamera görüntüleri, LiDAR nokta bulutları ve HD harita verileri gibi çeşitli sensör verisi türlerini içerir. Açıklamalar arasında 3B sınırlayıcı kutular, nesne izleri ve yörünge bilgileri bulunur. Bu kapsamlı açıklamalar, 3B nesne izleme, hareket tahmini ve stereo derinlik kestirimi gibi görevlerde doğru model eğitimi için gereklidir.

Argoverse veri kümesi nasıl yapılandırılmıştır?

Veri kümesi üç ana alt kümeye ayrılmıştır:

1. Argoverse 3D Tracking: 3B nesne izleme görevlerine odaklanan ve 290 binden fazla etiketli 3B nesne izi içeren 113 sahne barındırır. LiDAR nokta bulutları, kamera görüntüleri ve sensör kalibrasyon bilgilerini içerir.
2. Argoverse Motion Forecasting: Hareket tahmini görevleri için uygun olan ve 60 saatlik sürüş verisinden toplanan 324 bin araç yörüngesinden oluşur.
3. Argoverse Stereo Depth Estimation: Temel gerçeklik derinlik kestirimi için ilgili LiDAR nokta bulutlarıyla birlikte 10 binden fazla stereo görüntü çifti içerir.

Amazon S3'ten kaldırıldığına göre Argoverse veri kümesini şimdi nereden indirebilirim?

Daha önce Amazon S3'te bulunan Argoverse veri kümesi *.zip dosyası, artık Google Drive üzerinden manuel olarak indirilebilir.

YAML yapılandırma dosyası Argoverse veri kümesiyle ne için kullanılır?

Bir YAML dosyası; veri kümesinin yollarını, sınıflarını ve diğer önemli bilgileri içerir. Argoverse veri kümesi için yapılandırma dosyası olan Argoverse.yaml, şu bağlantıda bulunabilir: Argoverse.yaml.

YAML yapılandırmaları hakkında daha fazla bilgi için veri kümeleri rehberimize göz at.