Link to this sectionArgoverse Veri Kümesi#

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

Link to this sectionTemel Özellikler#

• Argoverse, 1.263 farklı sahne genelinde 290 binden fazla etiketli 3D nesne izi ve 5 milyon nesne örneği içerir.
• Veri kümesi; yüksek çözünürlüklü kamera görüntüleri, LiDAR nokta bulutları ve zengin bir şekilde açıklanmış HD haritaları içerir.
• Açıklamalar arasında nesneler için 3D sınırlayıcı kutular (bbox), nesne izleri ve yörünge bilgileri yer alır.
• Argoverse; 3D takip, hareket tahmini ve stereo derinlik kestirimi gibi farklı görevler için çoklu alt kümeler sağlar.

Link to this sectionVeri Kümesi Yapısı#

Argoverse veri kümesi üç ana alt kümeye ayrılmıştır:

1. Argoverse 3D Tracking: Bu alt küme, 3D nesne takibi görevlerine odaklanan ve 290 binden fazla etiketli 3D 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, 60 saatlik sürüş verisinden toplanmış 324 bin araç yörüngesinden oluşur.
3. Argoverse Stereo Depth Estimation: Bu alt küme, stereo derinlik kestirimi görevleri için tasarlanmıştır ve temel doğruluk derinlik kestirimi için karşılık gelen LiDAR nokta bulutlarına sahip 10 binden fazla stereo görüntü çifti içerir.

Link to this sectionUygulamalar#

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

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir. 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 bir YOLO26n modelini 640 görüntü boyutuyla 100 epochs boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için Training sayfası modeline 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)

Link to this sectionÖrnek Veriler ve Etiketler#

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 sunar. İşte veri kümesinden alınan bazı örnekler ve bunlara karşılık gelen açıklamalar:

• Argoverse 3D Tracking: Bu görsel, nesnelerin 3D sınırlayıcı kutularla işaretlendiği bir 3D nesne takibi örneğini gösterir. Veri kümesi, bu görev için modellerin geliştirilmesini kolaylaştırmak amacıyla LiDAR nokta bulutları ve kamera görüntüleri sağlar.

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

Link to this sectionAlıntılar ve Teşekkür#

Argoverse veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan, 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'a teşekkür ederiz. Argoverse veri kümesi ve yaratıcıları hakkında daha fazla bilgi için Argoverse veri kümesi web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionArgoverse 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 3D nesne izi ve 5 milyon nesne örneği içerir. Veri kümesi; yüksek çözünürlüklü kamera görüntüleri, LiDAR nokta bulutları ve açıklamalı HD haritalar sağlar, bu da onu 3D takip, hareket tahmini ve stereo derinlik kestirimi gibi görevler için değerli kılar.

Link to this sectionArgoverse veri kümesini kullanarak nasıl bir Ultralytics YOLO modeli eğitebilirim?#

Argoverse veri kümesi ile bir YOLO26 modeli 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 Training modeli sayfasına bak.

Link to this sectionArgoverse 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 veri türlerini içerir. Açıklamalar; 3D sınırlayıcı kutular, nesne izleri ve yörünge bilgilerini kapsar. Bu kapsamlı açıklamalar, 3D nesne takibi, hareket tahmini ve stereo derinlik kestirimi gibi görevlerde doğru model eğitimi için gereklidir.

Link to this sectionArgoverse veri kümesi nasıl yapılandırılmıştır?#

Veri kümesi üç ana alt kümeye ayrılmıştır:

1. Argoverse 3D Tracking: 3D nesne takibi görevlerine odaklanan ve 290 binden fazla etiketli 3D nesne izi içeren 113 sahne barındırır. LiDAR nokta bulutları, kamera görüntüleri ve sensör kalibrasyon bilgilerini içerir.
2. Argoverse Motion Forecasting: 60 saatlik sürüş verisinden toplanmış 324 bin araç yörüngesinden oluşur ve hareket tahmini görevleri için uygundur.
3. Argoverse Stereo Depth Estimation: Temel doğruluk derinlik kestirimi için karşılık gelen LiDAR nokta bulutlarına sahip 10 binden fazla stereo görüntü çifti içerir.

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

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

Link to this sectionYAML yapılandırma dosyası Argoverse veri kümesi ile ne için kullanılır?#

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

YAML yapılandırmaları hakkında daha fazla bilgi için datasets rehberimize bak.