Ultralytics YOLO27：
CC BY-NC-SA 4.0

Argoverse 数据集#

Ultralytics Argoverse 数据集（Argoverse-HD）是一个 2D 目标检测 数据集，包含 54,446 张带标注的自动驾驶图像——其中 39,384 张用于训练，15,062 张用于验证——涵盖 8 个类别：person、bicycle、car、motorcycle、bus、truck、traffic light 和 stop sign。这些图像由车辆的环前中央摄像头拍摄，标注来自卡内基梅隆大学的流式感知项目，该项目基于 Argo AI 的 Argoverse 1.1 驾驶数据构建。它是一个大型真实世界基准数据集，可用于训练计算机视觉模型，使其能够在自动驾驶场景中检测道路目标。

访问 Ultralytics Platform 上的 Argoverse-HD，预览带标注的样本、查看数据集统计信息，并克隆数据集用于训练。

需要手动下载

训练所需的 Argoverse-HD *.zip 文件（~31.5 GB）在 Ford 关闭 Argo AI 后已从 Amazon S3 移除。你可以从 Google Drive 手动下载该文件——自动下载无法正常工作，因此请在训练前下载压缩包。

主要特性#

  • 8 个目标检测类别：person、bicycle、car、motorcycle、bus、truck、traffic light 和 stop sign。
  • 54,446 张带标注的图像——其中 39,384 张用于训练，15,062 张用于验证——另有一个为 eval.ai challenge 保留的无标注测试集。
  • ~31.5 GB 的高分辨率环前中央摄像头画面，拍摄于城市自动驾驶场景。
  • 首次使用时，标注会自动转换为 YOLO 格式，因此该数据集可以直接用于训练 Ultralytics YOLO 检测模型。

数据集结构#

Argoverse-HD 数据集划分为三个预定义子集，这些子集由 Argoverse.yaml 配置定义：

划分图像标签
训练39,384是
验证15,062是
测试—无标注（eval.ai challenge）

所有图像都使用相同的 8 个目标类别（索引 0–7）：person、bicycle、car、motorcycle、bus、truck、traffic light 和 stop sign。

自动转换为 YOLO

手动下载后，Ultralytics 会在你首次训练时，自动将原始 Argoverse-HD 标注转换为 YOLO 检测标签，因此无需手动预处理。

应用#

Argoverse-HD 数据集支持自动驾驶领域中的多种目标检测应用：

  • 自动驾驶感知——通过前向摄像头检测车辆、行人和骑行者，为自动驾驶车辆导航提供支持。
  • 高级驾驶辅助系统 (ADAS)——识别交通信号灯和停车标志，为驾驶员提供实时提醒。
  • 交通监控——在城市场景中统计和跟踪道路使用者，为智慧城市分析提供支持。
  • 研究与原型开发——用于在驾驶数据上学习模型训练和预测的大型真实世界基准数据集。

数据集 YAML#

YAML 文件定义数据集配置，包括路径、类别和其他相关详细信息。对于 Argoverse 数据集，Argoverse.yaml 文件由 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/Argoverse.yaml 维护。

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

使用方法#

要在 Argoverse 数据集上训练 YOLO26n 模型 100 个 epochs，并将图像尺寸设为 640，请使用以下代码示例。如需查看可用参数的完整列表，请参阅模型的训练页面。

训练示例
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)

训练完成后，使用微调后的模型对新的驾驶图像或视频运行推理：

推理示例
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")

示例数据和标注#

Argoverse-HD 数据集包含由环前中央摄像头拍摄的高分辨率驾驶图像，并使用 2D 边界框标注了 8 个目标类别。下面是数据集中的一张示例图像及其对应标注：

带标注道路目标的 Argoverse-HD 自动驾驶场景

  • 带标注的驾驶场景：此图像展示了车辆和行人等道路目标，这些目标使用 2D 边界框进行了标注；YOLO 模型会在训练期间学习预测这种格式。

引用和致谢#

本数据集中使用的 Argoverse-HD 2D 检测标注来自卡内基梅隆大学的流式感知研究。如果你在研究或开发中使用该数据集，请引用：

引用
@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}
}

我们感谢卡内基梅隆大学提供 Argoverse-HD 检测标注，并感谢 Argo AI 创建原始 Argoverse 数据集，为自动驾驶研究社区提供了宝贵资源。

常见问题#

  • Ultralytics Argoverse 数据集（Argoverse-HD）是一个 2D 目标检测 数据集，包含 54,446 张自动驾驶图像，涵盖 8 个类别——person、bicycle、car、motorcycle、bus、truck、traffic light 和 stop sign。该数据集用于训练和评估模型，使其能够从车辆前向摄像头检测道路目标，并支持自动驾驶感知、ADAS 和交通监控研究。

  • Argoverse-HD 数据集包含 8 个类别（person、bicycle、car、motorcycle、bus、truck、traffic light 和 stop sign）以及 54,446 张带标注的图像——其中 39,384 张用于训练，15,062 张用于验证——另有一个为 eval.ai challenge 保留的无标注测试集。

  • 在 Ultralytics 中，它是一个 2D 目标检测 数据集（带有 2D 边界框的 Argoverse-HD 摄像头画面），而不是更广泛 Argoverse 项目中的 3D 跟踪、运动预测或 LiDAR 研究套件。你可以使用 yolo26n.pt 等标准检测模型对其进行训练。

  • 请先手动下载数据集（见下文），然后使用 Argoverse.yaml 配置文件进行训练：

    示例
    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)

    如需详细了解参数，请参阅模型的训练页面。

  • 之前托管在 Amazon S3 上的 Argoverse-HD *.zip 文件（~31.5 GB）现在可以从 Google Drive 手动下载。自动下载无法正常工作，因此请在运行训练命令前获取压缩包。

  • 可以。Ultralytics Platform 支持你上传大型数据集（如 Argoverse-HD）并进行版本管理，然后在云端训练和部署目标检测模型，无需复杂的本地环境配置。你还可以在检测数据集概览中浏览相关数据集。

贡献者
GLglenn-jocher14RAraimbekovm4PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

评论