VisDrone Veri Kümesi#

8,626

VisDrone

ultralytics

publicDetect

VisDrone2019-DET is Tianjin University's drone-view detection benchmark with dense boxes across ten pedestrian and vehicle classes. Aerial scenes span varied altitudes, viewpoints, crowding, occlusion, scale, lighting, and urban environments for small-object recognition.

710 classes2.7 GBSep 2, 2026

pedestrianpeoplebicyclecar+6

object-detectionvisdroneaerial+2

VisDrone Veri Kümesi, büyük ölçekli bir drone görüntüleri kıyaslama veri kümesidir. Tespit alt kümesi (VisDrone2019-DET), nesne tespiti için 10 nesne sınıfıyla etiketlenmiş 8.629 hava görüntüsü sunar: 6.471 eğitim, 548 doğrulama ve 1.610 test-dev görüntüsü. Veri kümesi, Çin'in Tianjin Üniversitesi'ndeki Makine Öğrenimi ve Veri Madenciliği Laboratuvarı bünyesindeki AISKYEYE ekibi tarafından oluşturulmuştur.

VisDrone kıyaslama veri kümesinin tamamı; Çin'in 14 farklı şehrinde drone kameralarıyla çekilmiş, kentsel ve kırsal ortamları, seyrek ve kalabalık sahneleri, ayrıca çeşitli hava ve ışık koşullarını kapsayan 288 video klipten (261.908 kare) ve 10.209 durağan görüntüden oluşur. Karelerde, sahne görünürlüğü, nesne sınıfı ve örtülme gibi ek özniteliklerle birlikte 2,6 milyondan fazla elle etiketlenmiş sınırlayıcı kutu bulunur. Ultralytics VisDrone.yaml yapılandırması, bu kıyaslama veri kümesinin VisDrone2019-DET durağan görüntü alt kümesini kullanır.

Temel Özellikler#

• Küçük ve yoğun nesneler: Hava görüntülerindeki bakış açısı hedefleri küçük ve sıkışık hâle getirir; yalnızca 548 doğrulama görüntüsünde bile toplam 38.759 etiketli kutu, yani görüntü başına ortalama yaklaşık 70 nesne bulunur.
• Sahne çeşitliliği: Çin'in 14 şehrinden gelen görüntüler kentsel ve kırsal bölgeleri, gündüz ve gece koşullarını, ayrıca farklı hava koşullarını kapsar.
• Zengin açıklamalar: Kıyaslama veri kümesinin tamamında, örtülme ve görünürlük öznitelikleriyle birlikte 2,6 milyondan fazla kutu bulunur.
• Önceden tanımlanmış bölümler: Tutarlı değerlendirme için sabit eğitim / doğrulama / test-dev bölümleri (6.471 / 548 / 1.610 görüntü).

Veri Kümesi Yapısı#

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

Dördüncü bir bölüm olan test-challenge (1.580 görüntü), VisDrone yarışması için ayrılmıştır ve indirilmez; bu nedenle DET kümesinin tamamı 10.209 görüntüden oluşur.

Veri kümesinde 10 nesne sınıfı etiketlenmiştir: yaya, insanlar, bisiklet, otomobil, minibüs, kamyon, üç tekerlekli bisiklet, tenteli üç tekerlekli bisiklet, otobüs ve motosiklet. VisDrone, yaya sınıfını (ayakta duran veya yürüyen kişi) insanlar sınıfından (başka herhangi bir duruşta bulunan kişi) ayrı tutar.

Uygulamalar#

VisDrone'un yoğun sahneleri ve küçük hedefleri, bu veri kümesini hava görüntülerinde küçük nesne tespiti için standart bir kıyaslama veri kümesi hâline getirir. Yaygın uygulamalar şunlardır:

• İHA'larla trafik izleme ve araç sayımı
• Kalabalık analizi ve kamu güvenliği gözetimi
• Altyapı ve inşaat sahası denetimi
• Karmaşık sahnelerde küçük nesneleri tespit etmeye yönelik bilgisayarlı görü araştırmaları

Diğer hava görüntüsü kıyaslama veri kümeleri için uydu görüntülerine odaklanan xView veri kümesine veya yönlendirilmiş kutular içeren DOTA-v2 veri kümesine bak.

Veri Kümesi YAML Dosyası#

VisDrone.yaml dosyası; veri kümesi yollarını, sınıf adlarını ve otomatik indirme-dönüştürme betiğini içeren veri kümesi yapılandırmasını tanımlar. Dosya, Ultralytics deposunda https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VisDrone.yaml konumunda tutulur.

# 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#

VisDrone veri kümesinde 640 görüntü boyutuyla 100 epoch boyunca YOLO26n modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit — veri kümesi ilk çalıştırmada otomatik indirilir
results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640)

Ek hava görüntülerini etiketlemek ve VisDrone eğitim çalışmalarını tarayıcında yönetmek için Ultralytics Platform kullan.

Örnek Veriler ve Açıklamalar#

Aşağıdaki örnek, tipik bir VisDrone sahnesini gösterir: Yoğun bir yolun havadan görünümü; yayalar ve araçlar küçük, sıkışık hedefler olarak görünür ve birçoğu diğer nesneler tarafından kısmen kapatılmıştır.

Atıflar ve Teşekkürler#

VisDrone veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan 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 oluşturup sürdürdükleri için Çin'deki Tianjin Üniversitesi Makine Öğrenimi ve Veri Madenciliği Laboratuvarı bünyesindeki AISKYEYE ekibine teşekkür ederiz. Daha fazla bilgi için VisDrone Veri Kümesi GitHub deposunu ziyaret et.

Sık Sorulan Sorular#