Dataset Argoverse
Bộ dữ liệu Argoverse của Ultralytics (Argoverse-HD) là bộ dữ liệu phát hiện đối tượng 2D gồm 54.446 hình ảnh lái xe tự hành được gán nhãn — 39.384 hình ảnh huấn luyện và 15.062 hình ảnh đánh giá — thuộc 8 lớp: người, xe đạp, ô tô, xe máy, xe buýt, xe tải, đèn giao thông và biển báo dừng. Hình ảnh được chụp từ camera giữa phía trước dạng vòng trên xe, còn annotation đến từ dự án streaming-perception của Đại học Carnegie Mellon, được xây dựng trên dữ liệu lái xe Argoverse 1.1 của Argo AI. Đây là benchmark quy mô lớn, trong điều kiện thực tế, để huấn luyện các model thị giác máy tính phát hiện đối tượng trên đường trong tình huống xe tự lái.
Khám phá Argoverse-HD trên Ultralytics Platform để xem trước các mẫu đã gán nhãn, kiểm tra thống kê dataset và sao chép dataset để huấn luyện.
Dùng Python 3.11 trở lên và đặt ULTRALYTICS_API_KEY thành khóa từ cài đặt Platform. Truyền URL bộ dữ liệu Argoverse làm data để tự động tải hình ảnh và chuẩn bị nhãn YOLO. Cấu hình Argoverse.yaml cũng tải xuống từ Platform khi bộ dữ liệu chưa có trên máy.
Tính năng chính#
- 8 lớp phát hiện đối tượng: người, xe đạp, ô tô, xe máy, xe buýt, xe tải, đèn giao thông và biển báo dừng.
- 54.446 hình ảnh có nhãn — 39.384 ảnh huấn luyện và 15.062 ảnh validation — cùng một tập kiểm thử không có nhãn dành riêng cho thử thách eval.ai.
- Các khung hình 1920 × 1200 từ camera trước-giữa của xe, được ghi lại trong các cảnh lái xe tự hành ở đô thị.
- Annotation được tự động chuyển sang định dạng YOLO trong lần sử dụng đầu tiên, vì vậy dataset có thể được huấn luyện trực tiếp bằng model phát hiện Ultralytics YOLO.
Cấu trúc dataset#
Bộ dữ liệu Argoverse-HD trên Platform giữ nguyên ba tập con được xác định trước:
| Tập dữ liệu | Hình ảnh | Nhãn |
|---|---|---|
| Huấn luyện | 39,384 | Có |
| Validation | 15,062 | Có |
| Kiểm thử | 12,507 | Chưa gán nhãn (thử thách eval.ai) |
Tất cả hình ảnh đều dùng chung 8 lớp đối tượng (chỉ số từ 0–7): người, xe đạp, ô tô, xe máy, xe buýt, xe tải, đèn giao thông và biển báo dừng.
Ultralytics tự động tải bộ dữ liệu từ Platform và chuyển đổi chú thích thành nhãn phát hiện YOLO, do đó không cần tiền xử lý thủ công.
Ứng dụng#
Bộ dữ liệu Argoverse-HD hỗ trợ nhiều ứng dụng phát hiện đối tượng trong lĩnh vực xe tự hành:
- Nhận thức cho xe tự lái — phát hiện phương tiện, người đi bộ và người đi xe đạp từ camera hướng về phía trước để hỗ trợ điều hướng xe tự hành.
- Hệ thống hỗ trợ lái xe nâng cao (ADAS) — nhận diện đèn giao thông và biển báo dừng để đưa ra cảnh báo cho người lái theo thời gian thực.
- Giám sát giao thông — đếm và theo dõi người tham gia giao thông trong các khung cảnh đô thị để phục vụ phân tích thành phố thông minh.
- Nghiên cứu và tạo mẫu — benchmark quy mô lớn trong điều kiện thực tế để tìm hiểu về huấn luyện model và dự đoán trên dữ liệu lái xe.
YAML của dataset#
Tệp YAML định nghĩa cấu hình bộ dữ liệu, bao gồm đường dẫn, lớp và các thông tin liên quan khác. Đối với bộ dữ liệu Argoverse, tệp Argoverse.yaml được duy trì tại 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
# Download: https://platform.ultralytics.com/ultralytics/datasets/argoverse (requires ULTRALYTICS_API_KEY)
# parent
# ├── ultralytics
# └── datasets
# └── Argoverse ← existing local dataset
# 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: |
from ultralytics.data.utils import check_det_dataset, convert_ndjson_to_yolo_if_needed
data = convert_ndjson_to_yolo_if_needed("https://platform.ultralytics.com/ultralytics/datasets/argoverse")
yaml.update(check_det_dataset(data))Cách sử dụng#
Để huấn luyện model YOLO26n trên dataset Argoverse trong 100 epoch với kích thước ảnh 640, hãy dùng các mẫu code sau.
from ultralytics import YOLO
# Tải model
model = YOLO("yolo26n.pt") # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện)
# Huấn luyện model
results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)Sau khi huấn luyện, chạy suy luận bằng model đã tinh chỉnh trên hình ảnh hoặc video lái xe mới:
from ultralytics import YOLO
# Tải model
model = YOLO("path/to/best.pt") # tải model đã tinh chỉnh trên Argoverse
# Suy luận bằng model
results = model.predict("path/to/driving-scene.jpg")Dữ liệu mẫu và annotation#
Bộ dữ liệu Argoverse-HD chứa các hình ảnh lái xe độ phân giải cao được chụp từ camera trung tâm phía trước dạng vòng, kèm BBox 2D cho 8 lớp đối tượng. Dưới đây là hình ảnh mẫu từ bộ dữ liệu cùng với các annotation tương ứng:

- Khung cảnh lái xe đã được gán nhãn: Hình ảnh này cho thấy các đối tượng trên đường — chẳng hạn như phương tiện và người đi bộ — được gán nhãn bằng BBox 2D, định dạng mà các model YOLO học cách dự đoán trong quá trình huấn luyện.
Trích dẫn và lời cảm ơn#
Các annotation phát hiện 2D Argoverse-HD được sử dụng trong bộ dữ liệu này xuất phát từ công trình streaming-perception của Đại học Carnegie Mellon. Nếu sử dụng bộ dữ liệu trong nghiên cứu hoặc phát triển, vui lòng trích dẫn:
@inproceedings{li2020towards,
title={Towards Streaming Perception},
author={Li, Mengtian and Wang, Yu-Xiong and Ramanan, Deva},
booktitle={Proceedings of the European Conference on Computer Vision (ECCV)},
pages={473--488},
year={2020}
}
@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}
}Chúng tôi xin ghi nhận đóng góp của Đại học Carnegie Mellon đối với các annotation phát hiện Argoverse-HD và của Argo AI trong việc tạo bộ dữ liệu Argoverse ban đầu, một tài nguyên quý giá cho cộng đồng nghiên cứu xe tự hành.
Câu hỏi thường gặp#
Bộ dữ liệu Argoverse của Ultralytics (Argoverse-HD) là bộ dữ liệu phát hiện đối tượng 2D gồm 54.446 hình ảnh lái xe tự hành thuộc 8 lớp — người, xe đạp, ô tô, xe máy, xe buýt, xe tải, đèn giao thông và biển báo dừng. Bộ dữ liệu được dùng để huấn luyện và đánh giá các model phát hiện đối tượng trên đường từ camera hướng về phía trước của phương tiện, hỗ trợ nghiên cứu về nhận thức cho xe tự lái, ADAS và giám sát giao thông.
Bộ dữ liệu Argoverse-HD có 8 lớp (người, xe đạp, ô tô, xe máy, xe buýt, xe tải, đèn giao thông và biển báo dừng) và 54.446 hình ảnh đã gán nhãn — 39.384 hình ảnh dùng cho huấn luyện và 15.062 hình ảnh dùng cho validation — cùng một tập kiểm thử chưa gán nhãn dành riêng cho thử thách eval.ai.
Trong Ultralytics, đây là bộ dữ liệu phát hiện đối tượng 2D (các khung hình camera Argoverse-HD với BBox 2D), không phải bộ công cụ nghiên cứu theo dõi 3D, dự báo chuyển động hay LiDAR thuộc chương trình Argoverse rộng hơn. Bạn huấn luyện bộ dữ liệu này bằng model phát hiện tiêu chuẩn như
yolo26n.pt.Đặt
ULTRALYTICS_API_KEYvà huấn luyện trực tiếp từ URL bộ dữ liệu trên Platform:Ví dụfrom ultralytics import YOLO # Tải model model = YOLO("yolo26n.pt") # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện) # Huấn luyện model results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)Để biết giải thích chi tiết về các đối số, tham khảo trang Huấn luyện model.
Tải Argoverse từ Ultralytics Platform. Sau khi đặt
ULTRALYTICS_API_KEY, bạn có thể truyền trực tiếp URL này làm đối số huấn luyệndata; Ultralytics sẽ tự động tải bộ dữ liệu và chuẩn bị nhãn YOLO.Có. Mở Argoverse-HD trên Ultralytics Platform để khám phá hình ảnh và chú thích, sao chép bộ dữ liệu, rồi huấn luyện model phát hiện đối tượng trên đám mây. Bạn cũng có thể duyệt các bộ dữ liệu liên quan trong tổng quan về bộ dữ liệu phát hiện.
Bình luận
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.



