VisDrone Veri Kümesi#

8,626

VisDrone

ultralytics

publicDetect

VisDrone2019-DET is Tianjin University's drone-view object detection benchmark. This reviewed package contains 8,626 unique images (6,469 train / 547 validation / 1,610 test), all labeled with 456,987 valid boxes across 10 traffic classes. Three exact duplicate frames were consolidated by retaining the more complete annotation; 14,200 official ignored-region rows and one degenerate row are excluded.

110 classes2.7 GBAug 21, 2026

pedestrianpeoplebicyclecar+6

object-detectionvisdroneaerial+2

VisDrone Dataset, object detection için 10 nesne sınıfıyla etiketlenmiş 8.629 hava görüntüsü (6.471 eğitim, 548 doğrulama ve 1.610 test-dev) sunan algılama alt kümesine (VisDrone2019-DET) sahip büyük ölçekli bir drone görüntüsü kıyaslama testidir. Çin Tianjin Üniversitesi Makine Öğrenimi ve Veri Madenciliği Laboratuvarı'ndaki AISKYEYE ekibi tarafından oluşturulmuştur.

Tam VisDrone kıyaslama testi, kentsel ve kırsal ortamları, seyrek ve kalabalık sahneleri, çeşitli hava ve aydınlatma koşullarını kapsayan, Çin'deki 14 farklı şehirde drone üzerine monte edilmiş kameralarla çekilen 288 video klibi (261.908 kare) ve 10.209 statik görüntüden oluşur. Kareleri, sahnede görünürlük, nesne sınıfı ve tıkanma gibi ek özelliklerle birlikte 2,6 milyondan fazla elle açıklama eklenmiş bounding boxes taşır. Ultralytics VisDrone.yaml yapılandırması, bu kıyaslama testinin VisDrone2019-DET statik görüntü alt kümesini kullanır.

Temel Özellikler#

• Küçük, yoğun nesneler: Hava perspektifleri hedefleri minik ve kalabalık hale getirir; sadece 548 doğrulama görüntüsü, görüntü başına ortalama 70 nesne olmak üzere 38.759 etiketli kutu içerir.
• Sahne çeşitliliği: Kentsel ve kırsal konumları, gündüz ve geceyi ve farklı hava koşullarını kapsayan 14 Çin şehrinden görüntüler.
• Zengin açıklamalar: Tıkanıklık ve görünürlük öznitelikleriyle birlikte tüm kıyaslama aracında 2,6 milyondan fazla kutu.
• Önceden tanımlanmış bölümler: Tutarlı değerlendirme için sabit eğitim / doğrulama / test-dev bölümleri (6.471 / 548 / 1.610 görüntü).

Veri Kümesi Yapısı#

Ultralytics VisDrone yapılandırması, üç bölüme ayrılmış VisDrone2019-DET görüntü alt kümesini kapsar:

Dördüncü bir bölüm olan test-challenge (1.580 görüntü), VisDrone yarışması için saklı tutulur ve indirilmez, bu nedenle tam DET seti toplamda 10.209 görüntü içerir.

Veri seti 10 nesne sınıfını etiketler: yaya, insanlar, bisiklet, araba, van, kamyon, üç tekerlekli bisiklet, tenteli üç tekerlekli bisiklet, otobüs ve motor. VisDrone, yaya (ayakta duran veya yürüyen bir kişi) ile insanlar (başka herhangi bir pozisyondaki bir kişi) ayrımını yapar.

Uygulamalar#

VisDrone'un yoğun sahneleri ve küçük hedefleri, onu havadan bakış açılarından small-object detection için standart bir kıyaslama testi haline getirir. Yaygın uygulamalar şunlardır:

• İHA'lardan trafik izleme ve araç sayma
• Kalabalık analizi ve kamu güvenliği gözetimi
• Altyapı ve şantiye denetimi
• Karmaşık sahnelerdeki küçük nesneleri algılama üzerine Computer vision araştırması

Diğer havadan görüntü kıyaslama testleri için uydu odaklı xView dataset veya yönlendirilmiş kutu DOTA-v2 dataset sayfasına bakın.

Veri Kümesi YAML#

VisDrone.yaml dosyası veri kümesi yapılandırmasını tanımlar; veri kümesi yolları, sınıf adları ve otomatik indirme ve dönüştürme betiği. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VisDrone.yaml adresindeki Ultralytics deposunda korunur.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# VisDrone2019-DET dataset https://github.com/VisDrone/VisDrone-Dataset by Tianjin University
# Documentation: https://docs.ultralytics.com/datasets/detect/visdrone
# Example usage: yolo train data=VisDrone.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── VisDrone ← downloads here (~2 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: VisDrone # dataset root dir
train: images/train # train images (relative to 'path') 6471 images
val: images/val # val images (relative to 'path') 548 images
test: images/test # test-dev images (optional) 1610 images

# Classes
names:
  0: pedestrian
  1: people
  2: bicycle
  3: car
  4: van
  5: truck
  6: tricycle
  7: awning-tricycle
  8: bus
  9: motor

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import os
  from pathlib import Path
  import shutil

  from ultralytics.utils.downloads import download
  from ultralytics.utils import ASSETS_URL, TQDM

  def visdrone2yolo(dir, split, source_name=None):
      """Convert VisDrone annotations to YOLO format with images/{split} and labels/{split} structure."""
      from PIL import Image

      source_dir = dir / (source_name or f"VisDrone2019-DET-{split}")
      images_dir = dir / "images" / split
      labels_dir = dir / "labels" / split
      labels_dir.mkdir(parents=True, exist_ok=True)

      # Move images to new structure
      if (source_images_dir := source_dir / "images").exists():
          images_dir.mkdir(parents=True, exist_ok=True)
          for img in source_images_dir.glob("*.jpg"):
              img.rename(images_dir / img.name)

      for f in TQDM((source_dir / "annotations").glob("*.txt"), desc=f"Converting {split}"):
          img_size = Image.open(images_dir / f.with_suffix(".jpg").name).size
          dw, dh = 1.0 / img_size[0], 1.0 / img_size[1]
          lines = []

          with open(f, encoding="utf-8") as file:
              for row in [x.split(",") for x in file.read().strip().splitlines()]:
                  if row[4] != "0":  # Skip ignored regions
                      x, y, w, h = map(int, row[:4])
                      cls = int(row[5]) - 1
                      # Convert to YOLO format
                      x_center, y_center = (x + w / 2) * dw, (y + h / 2) * dh
                      w_norm, h_norm = w * dw, h * dh
                      lines.append(f"{cls} {x_center:.6f} {y_center:.6f} {w_norm:.6f} {h_norm:.6f}\n")

          (labels_dir / f.name).write_text("".join(lines), encoding="utf-8")

  # Download (ignores test-challenge split)
  dir = Path(yaml["path"])  # dataset root dir
  urls = [
      f"{ASSETS_URL}/VisDrone2019-DET-train.zip",
      f"{ASSETS_URL}/VisDrone2019-DET-val.zip",
      f"{ASSETS_URL}/VisDrone2019-DET-test-dev.zip",
      # f"{ASSETS_URL}/VisDrone2019-DET-test-challenge.zip",
  ]
  download(urls, dir=dir, threads=4)

  # Convert
  splits = {"VisDrone2019-DET-train": "train", "VisDrone2019-DET-val": "val", "VisDrone2019-DET-test-dev": "test"}
  for folder, split in splits.items():
      visdrone2yolo(dir, split, folder)  # convert VisDrone annotations to YOLO labels
      shutil.rmtree(dir / folder)  # cleanup original directory

Kullanım#

Bir YOLO26n modelini VisDrone veri kümesinde 640 görüntü boyutuyla 100 epoch boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Training sayfasına göz at.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model - dataset will auto-download on first run
results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640)

Ek havadan görüntüleri etiketlemek ve tarayıcınızda VisDrone eğitim çalışmalarını yönetmek için Ultralytics Platform kullanın.

Örnek Veriler ve Etiketler#

Aşağıdaki örnek tipik bir VisDrone sahnesini gösterir: yayaların ve araçların küçük, yoğun paketlenmiş hedefler olarak göründüğü ve birçoğunun kısmen birbirini kapattığı işlek bir yolun üzerindeki bir hava perspektifi.

Alıntılar ve Teşekkür#

VisDrone veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan, lütfen aşağıdaki makaleye atıfta bulun:

@ARTICLE{9573394,
  author={Zhu, Pengfei and Wen, Longyin and Du, Dawei and Bian, Xiao and Fan, Heng and Hu, Qinghua and Ling, Haibin},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  title={Detection and Tracking Meet Drones Challenge},
  year={2022},
  volume={44},
  number={11},
  pages={7380-7399},
  doi={10.1109/TPAMI.2021.3119563}}

VisDrone veri kümesini oluşturdukları ve sürdürdükleri için Çin Tianjin Üniversitesi Makine Öğrenimi ve Data Mining Laboratuvarı'ndaki AISKYEYE ekibine teşekkür ederiz. Daha fazla bilgi için VisDrone Dataset GitHub repository adresini ziyaret edin.

SSS#