开始使用

Argoverse 数据集

Ultralytics Argoverse 数据集(Argoverse-HD)是一个 2D 对象检测数据集,包含 54,446 张已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:行人、自行车、汽车、摩托车、公交车、卡车、交通灯和停车标志。图像由车辆前部环视中心摄像头拍摄,标注来自卡内基梅隆大学基于 Argo AI Argoverse 1.1 驾驶数据构建的流式感知项目。这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,在自动驾驶场景中检测道路对象。

在 Ultralytics Platform 上查看 Argoverse-HD,预览已标注样本、检查数据集统计信息,并克隆数据集用于训练。

从 Ultralytics Platform 下载

使用 Python 3.11 或更高版本,并将 ULTRALYTICS_API_KEY 设置为 Platform 设置中的一个密钥。将 Argoverse 数据集 URL作为 data 传入,即可自动下载图像并准备 YOLO 标签。数据集在本地不存在时,Argoverse.yaml 配置也会从 Platform 下载数据集。

主要功能#

  • 8 个目标检测类别:行人、自行车、汽车、摩托车、公交车、卡车、交通灯和停车标志。
  • 54,446 张带标签的图像——39,384 张用于训练,15,062 张用于验证——另有一组未标注测试集,专供 eval.ai 挑战赛使用。
  • 在城市自动驾驶场景中采集的1920 × 1200环形前置中央摄像头画面。
  • 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#

Platform 上的 Argoverse-HD 数据集保留了三个预定义子集:

划分图像标签
训练39,384是
验证15,062是
测试12,507未标注(eval.ai 挑战赛)

所有图像都包含相同的 8 个目标类别(索引 0–7):行人、自行车、汽车、摩托车、公交车、卡车、交通信号灯和停车标志。

自动转换为 YOLO 格式

Ultralytics 会自动下载 Platform 数据集,并将其标注转换为 YOLO 检测标签,因此无需手动预处理。

应用场景#

Argoverse-HD 数据集支持多种自动驾驶对象检测应用:

  • 自动驾驶感知 — 从前向摄像头检测车辆、行人和骑行者,为自动驾驶汽车导航提供支持。
  • 高级驾驶辅助系统 (ADAS) — 识别交通信号灯和停车标志,以便实时向驾驶员发出提醒。
  • 交通监控 — 在城市场景中统计并跟踪道路使用者,为智慧城市分析提供数据。
  • 研究与原型开发 — 一个大型真实场景基准数据集,可用于学习如何在驾驶数据上进行模型训练和预测。

数据集 YAML#

YAML 文件定义数据集配置,包括路径、类别和其他相关细节。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
# 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))

用法#

如需在 Argoverse 数据集上以 640 的图像尺寸训练一个 YOLO26n 模型,训练 100 个周期,请使用以下代码示例。

训练示例
from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载预训练模型(推荐用于训练)

# 训练模型
results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", 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

# 加载模型
model = YOLO("path/to/best.pt")  # 加载经过 Argoverse 微调的模型

# 使用模型进行推理
results = model.predict("path/to/driving-scene.jpg")

示例数据和标注#

Argoverse-HD 数据集包含由环绕式前向中央摄像头拍摄的高分辨率驾驶图像,并为 8 个目标类别标注了 2D 边界框。下面是该数据集中的一张示例图像及其对应标注:

带有道路目标标注的 Argoverse-HD 自动驾驶场景

  • 驾驶场景标注:图中道路目标(如车辆和行人)均以 2D 边界框标注,这是 YOLO 模型在训练期间学习预测的格式。

引用与致谢#

此数据集中使用的 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:行人、自行车、汽车、摩托车、公交车、卡车、交通信号灯和停车标志。该数据集用于训练和评估模型,以便从车辆前向摄像头画面中检测道路目标,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(行人、自行车、汽车、摩托车、公交车、卡车、交通信号灯和停车标志)和 54,446 张已标注图像:其中 39,384 张用于训练,15,062 张用于验证;此外还有一个未标注的测试集,供 eval.ai 挑战赛使用。

  • 在 Ultralytics 中,它是一个 2D 目标检测数据集(Argoverse-HD 摄像头帧及其 2D 边界框),而不是更广泛的 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 等标准检测模型进行训练。

  • 设置 ULTRALYTICS_API_KEY,然后直接使用 Platform 数据集 URL 进行训练:

    示例
    from ultralytics import YOLO
    
    # 加载模型
    model = YOLO("yolo26n.pt")  # 加载预训练模型(推荐用于训练)
    
    # 训练模型
    results = model.train(data="https://platform.ultralytics.com/ultralytics/datasets/argoverse", epochs=100, imgsz=640)

    有关参数的详细说明,请参阅模型的训练页面。

  • 从 Ultralytics Platform 下载 Argoverse。设置 ULTRALYTICS_API_KEY 后,你可以将此 URL 直接作为训练的 data 参数传入;Ultralytics 会自动下载数据集并准备 YOLO 标签。

  • 可以。在 Ultralytics Platform 上的 Argoverse-HD 中浏览图像和标注、克隆数据集,并在云端训练目标检测模型。你还可以在检测数据集概览中浏览相关数据集。

评论

提出问题、分享结果,或帮助其他人。