Dataset Argoverse#

66,953

Argoverse-HD

ultralytics

publicDetect

Argoverse-HD pairs Argoverse 1.1 ring-front-center driving frames with Carnegie Mellon University's Streaming Perception annotations. Eight classes cover vehicles, pedestrians, cyclists, motorcycles, buses, traffic lights, and stop signs in urban road scenes.

8 classes23.5 GBSep 2, 2026

personbicyclecarmotorcycle+4

autonomous-drivingobject-detectionargoverse+1

Dataset Argoverse của Ultralytics (Argoverse-HD) là dataset phát hiện đối tượng 2D gồm 54.446 ảnh lái xe tự hành đã gán nhãn — 39.384 ảnh dùng để train và 15.062 ảnh dùng để validation — với 8 class: người, xe đạp, ô tô, xe máy, xe buýt, xe tải, đèn giao thông và biển báo dừng. Các ảnh được chụp từ camera ring-front-center của một phương tiện, còn annotation đến từ dự án streaming-perception của Carnegie Mellon University, được xây dựng trên dữ liệu lái xe Argoverse 1.1 của Argo AI. Đây là một benchmark quy mô lớn trong điều kiện thực tế để train các model computer vision phát hiện các đối tượng trên đường trong những tình huống xe tự hành.

Khám phá Argoverse-HD trên Ultralytics Platform để xem trước các sample đã gán annotation, kiểm tra thống kê dataset và clone dataset để train.

Tính năng chính#

• 8 class phát hiện đối tượng: người, xe đạp, ô tô, xe máy, xe buýt, xe tải, đèn giao thông và biển báo dừng.
• 54.446 ảnh đã gán nhãn — 39.384 ảnh dùng để train và 15.062 ảnh dùng để validation — cùng một tập test chưa gán nhãn dành riêng cho eval.ai challenge.
• ~31.5 GB các frame độ phân giải cao từ camera ring-front-center, được chụp trong những bối cảnh xe tự hành đô thị.
• Annotation được tự động chuyển đổi sang format YOLO trong lần sử dụng đầu tiên, vì vậy dataset có thể được train trực tiếp với các model detection Ultralytics YOLO.

Cấu trúc bộ dữ liệu#

Dataset Argoverse-HD được chia thành ba subset được định nghĩa sẵn, theo cấu hình Argoverse.yaml:

Tất cả ảnh đều sử dụng cùng 8 class đối tượng (chỉ số 0–7): người, xe đạp, ô tô, xe máy, xe buýt, xe tải, đèn giao thông và biển báo dừng.

Ứng dụng#

Dataset Argoverse-HD hỗ trợ nhiều ứng dụng phát hiện đối tượng trong lĩnh vực lái xe tự hành:

• Nhận thức cho xe tự hành — phát hiện phương tiện, người đi bộ và người đi xe đạp từ camera hướng về phía trước để hỗ trợ điều hướng phương tiện tự hành.
• Hệ thống hỗ trợ người lái nâng cao (ADAS) — nhận diện đèn giao thông và biển báo dừng để đưa ra cảnh báo theo thời gian thực cho người lái.
• Giám sát giao thông — đếm và theo dõi người tham gia giao thông trong các bối cảnh đô thị để phục vụ analytics cho thành phố thông minh.
• Nghiên cứu và prototyping — một benchmark quy mô lớn trong điều kiện thực tế để nghiên cứu train model và prediction trên dữ liệu lái xe.

YAML của bộ dữ liệu#

Một file YAML định nghĩa cấu hình dataset, bao gồm các path, class và những chi tiết liên quan khác. Đối với dataset Argoverse, file 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
# 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

Cách sử dụng#

Để train model YOLO26n trên dataset Argoverse trong 100 epoch với image size 640, hãy sử dụng các sample code sau. Để xem danh sách đầy đủ các argument khả dụng, hãy tham khảo trang Training của model.

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)

Sau khi train xong, hãy chạy inference bằng model đã fine-tune trên các ảnh hoặc video lái xe mới:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load an Argoverse fine-tuned model

# Inference using the model
results = model.predict("path/to/driving-scene.jpg")

Dữ liệu mẫu và Annotation#

Dataset Argoverse-HD chứa các ảnh lái xe độ phân giải cao được chụp từ camera ring-front-center, với các bounding box 2D được gán annotation cho 8 class đối tượng. Dưới đây là một ảnh mẫu từ dataset cùng với các annotation tương ứng:

• Bối cảnh lái xe đã gán annotation: Ảnh này hiển thị các đối tượng trên đường — chẳng hạn như phương tiện và người đi bộ — được gắn bounding box 2D, là format mà các model YOLO học cách dự đoán trong quá trình train.

Trích dẫn và ghi nhận đóng góp#

Các annotation detection 2D của Argoverse-HD được sử dụng trong dataset này đến từ công trình streaming-perception của Carnegie Mellon University. Nếu sử dụng dataset 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 Carnegie Mellon University đối với các annotation detection Argoverse-HD và của Argo AI vì đã tạo ra dataset Argoverse ban đầu, một tài nguyên giá trị cho cộng đồng nghiên cứu xe tự hành.

FAQ#