─░├žeri─če ge├ž

Argoverse Veri K├╝mesi

Argoverse veri seti, 3D izleme, hareket tahmini ve stereo derinlik tahmini gibi otonom s├╝r├╝┼č g├Ârevlerindeki ara┼čt─▒rmalar─▒ desteklemek i├žin tasarlanm─▒┼č bir veri koleksiyonudur. Argo AI taraf─▒ndan geli┼čtirilen veri seti, y├╝ksek ├ž├Âz├╝n├╝rl├╝kl├╝ g├Âr├╝nt├╝ler, LiDAR nokta bulutlar─▒ ve harita verileri de dahil olmak ├╝zere ├žok ├že┼čitli y├╝ksek kaliteli sens├Âr verileri sa─člar.

Not

Argoverse veri seti *.zip E─čitim i├žin gerekli dosya Argo AI'nin Ford taraf─▒ndan kapat─▒lmas─▒ndan sonra Amazon S3'ten kald─▒r─▒ld─▒, ancak dosyay─▒ ┼ču adresten manuel olarak indirilebilir hale getirdik Google Drive.

Temel ├ľzellikler

  • Argoverse, 1.263 farkl─▒ sahnede 290 binden fazla etiketli 3B nesne izi ve 5 milyon nesne ├Ârne─či i├žerir.
  • Veri setinde y├╝ksek ├ž├Âz├╝n├╝rl├╝kl├╝ kamera g├Âr├╝nt├╝leri, LiDAR nokta bulutlar─▒ ve zengin a├ž─▒klamal─▒ HD haritalar bulunmaktad─▒r.
  • Ek a├ž─▒klamalar nesneler i├žin 3B s─▒n─▒rlay─▒c─▒ kutular, nesne izleri ve y├Âr├╝nge bilgilerini i├žerir.
  • Argoverse, 3D izleme, hareket tahmini ve stereo derinlik tahmini gibi farkl─▒ g├Ârevler i├žin birden fazla alt k├╝me sa─člar.

Veri K├╝mesi Yap─▒s─▒

Argoverse veri k├╝mesi ├╝├ž ana alt k├╝me halinde d├╝zenlenmi┼čtir:

  1. Argoverse 3D ─░zleme: Bu alt k├╝me, 3D nesne izleme g├Ârevlerine odaklanan 290 binden fazla etiketli 3D nesne izine sahip 113 sahne i├žerir. LiDAR nokta bulutlar─▒n─▒, kamera g├Âr├╝nt├╝lerini ve sens├Âr kalibrasyon bilgilerini i├žerir.
  2. Argoverse Hareket Tahmini: Bu alt k├╝me, hareket tahmini g├Ârevleri i├žin uygun olan 60 saatlik s├╝r├╝┼č verilerinden toplanan 324 bin ara├ž y├Âr├╝ngesinden olu┼čur.
  3. Argoverse Stereo Derinlik Tahmini: Bu alt k├╝me stereo derinlik tahmini g├Ârevleri i├žin tasarlanm─▒┼čt─▒r ve zemin ger├že─či derinlik tahmini i├žin kar┼č─▒l─▒k gelen LiDAR nokta bulutlar─▒ ile 10.000'den fazla stereo g├Âr├╝nt├╝ ├žifti i├žerir.

Uygulamalar

Argoverse veri k├╝mesi, 3B nesne izleme, hareket tahmini ve stereo derinlik tahmini gibi otonom s├╝r├╝┼č g├Ârevlerinde derin ├Â─črenme modellerini e─čitmek ve de─čerlendirmek i├žin yayg─▒n olarak kullan─▒lmaktad─▒r. Veri setinin ├že┼čitli sens├Âr verileri, nesne a├ž─▒klamalar─▒ ve harita bilgileri, onu otonom s├╝r├╝┼č alan─▒ndaki ara┼čt─▒rmac─▒lar ve uygulay─▒c─▒lar i├žin de─čerli bir kaynak haline getirmektedir.

Veri K├╝mesi YAML

Veri k├╝mesi yap─▒land─▒rmas─▒n─▒ tan─▒mlamak i├žin bir YAML (Yet Another Markup Language) dosyas─▒ kullan─▒l─▒r. Veri k├╝mesinin yollar─▒, s─▒n─▒flar─▒ ve di─čer ilgili bilgiler hakk─▒nda bilgiler i├žerir. Argoverse veri k├╝mesi i├žin Argoverse.yaml dosyas─▒ ┼ču adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yaml.

ultralytics/cfg/datasets/Argoverse.yaml

# Ultralytics YOLO ­čÜÇ, 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
# ÔöťÔöÇÔöÇ ultralytics
# ÔööÔöÇÔöÇ datasets
#     ÔööÔöÇÔöÇ Argoverse  ÔćÉ 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

Kullan─▒m

Argoverse veri k├╝mesi ├╝zerinde 640 g├Âr├╝nt├╝ boyutuyla 100 epok i├žin bir YOLOv8n modelini e─čitmek i├žin a┼ča─č─▒daki kod par├žac─▒klar─▒n─▒ kullanabilirsiniz. Kullan─▒labilir ba─č─▒ms─▒z de─či┼čkenlerin kapsaml─▒ bir listesi i├žin Model E─čitimi sayfas─▒na bak─▒n.

Tren ├ľrne─či

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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=yolov8n.pt epochs=100 imgsz=640

├ľrnek Veriler ve A├ž─▒klamalar

Argoverse veri k├╝mesi, kamera g├Âr├╝nt├╝leri, LiDAR nokta bulutlar─▒ ve HD harita bilgileri de dahil olmak ├╝zere ├že┼čitli sens├Âr verileri i├žerir ve otonom s├╝r├╝┼č g├Ârevleri i├žin zengin bir ba─člam sa─člar. ─░┼čte veri k├╝mesinden baz─▒ veri ├Ârnekleri ve bunlara kar┼č─▒l─▒k gelen ek a├ž─▒klamalar:

Veri k├╝mesi ├Ârnek g├Âr├╝nt├╝s├╝

  • Argoverse 3D ─░zleme: Bu g├Âr├╝nt├╝, nesnelerin 3B s─▒n─▒rlay─▒c─▒ kutularla a├ž─▒kland─▒─č─▒ bir 3B nesne izleme ├Ârne─čini g├Âstermektedir. Veri seti, bu g├Ârev i├žin modellerin geli┼čtirilmesini kolayla┼čt─▒rmak ├╝zere LiDAR nokta bulutlar─▒ ve kamera g├Âr├╝nt├╝leri sa─člamaktad─▒r.

Bu ├Ârnek Argoverse veri setindeki verilerin ├že┼čitlili─čini ve karma┼č─▒kl─▒─č─▒n─▒ ortaya koymakta ve otonom s├╝r├╝┼č g├Ârevleri i├žin y├╝ksek kaliteli sens├Âr verilerinin ├Ânemini vurgulamaktad─▒r.

At─▒flar ve Te┼čekk├╝r

Argoverse veri setini ara┼čt─▒rma veya geli┼čtirme ├žal─▒┼čmalar─▒n─▒zda kullan─▒rsan─▒z, l├╝tfen a┼ča─č─▒daki makaleye at─▒fta 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 s├╝r├╝┼č ara┼čt─▒rma toplulu─ču i├žin de─čerli bir kaynak olarak Argoverse veri setini olu┼čturdu─ču ve s├╝rd├╝rd├╝─č├╝ i├žin Argo AI'ye te┼čekk├╝r ederiz. Argoverse veri seti ve yarat─▒c─▒lar─▒ hakk─▒nda daha fazla bilgi i├žin Argoverse veri seti web sitesini ziyaret edin.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (6), Laughing-q (1)

Yorumlar