Argoverse 数据集#
Ultralytics Argoverse 数据集 (Argoverse-HD) 是一个包含 54,446 张带标签的自动驾驶图像的 2D object detection 数据集——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、公共汽车、卡车、交通灯和停止标志。这些图像拍摄自车辆环视前置中央摄像头，标注来源于卡内基梅隆大学的流式感知项目，该项目构建在 Argo AI 的 Argoverse 1.1 驾驶数据基础之上。这是一个大型的真实世界基准，用于训练 computer vision 模型以在自动驾驶场景中检测道路物体。
在 Argoverse-HD on Ultralytics Platform 上探索，以预览标注样本、检查数据集统计信息并克隆它进行训练。
训练所需的 Argoverse-HD *.zip 文件（~31.5 GB）在福特关闭 Argo AI 后已从 Amazon S3 中移除。该文件可从 Google Drive 手动下载——自动下载将无法工作，因此请在训练前下载该压缩包。
主要特性#
- 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——外加一个为 eval.ai challenge 保留的未标注测试集。
- ~31.5 GB 的高分辨率环绕前视中心摄像头帧，拍摄于城市自动驾驶场景。
- 注释在首次使用时会自动转换为 YOLO 格式，因此该数据集可直接用于 Ultralytics YOLO 检测模型进行训练。
数据集结构#
Argoverse-HD 数据集被划分为三个预定义的子集，由 Argoverse.yaml 配置定义：
| 拆分 | 图像 | 标签 |
|---|---|---|
| 训练 | 39,384 | 是 |
| 验证 | 15,062 | 是 |
| 测试 | — | 未标注 (eval.ai challenge) |
所有图像共享相同的 8 个对象类别（索引 0–7）：行人、自行车、汽车、摩托车、公交车、卡车、交通灯和停车标志。
手动下载后，Ultralytics 会在你首次训练时自动将原始 Argoverse-HD 注释转换为 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中的一系列 object detection 应用：
- 自动驾驶感知——从前置摄像头检测车辆、行人和骑行者，以支持自治车辆导航。
- 高级驾驶辅助系统 (ADAS) — 识别交通灯和停车标志以提供实时驾驶警报。
- 交通监控 — 在城市场景中对道路使用者进行计数和跟踪，用于智慧城市分析。
- 研究与原型设计——一个大型的真实世界基准，用于学习驾驶数据上的模型训练和预测。
数据集 YAML#
YAML 文件定义了数据集配置，包括路径、类别和其他相关细节。对于 Argoverse 数据集，Argoverse.yaml 文件维护在 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用法#
要使用 640 的图像大小在 Argoverse 数据集上训练 YOLO26n 模型 100 个 epochs，请使用以下代码示例。有关可用参数的完整列表，请参考模型训练页面。
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：
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")示例数据与标注#
Argoverse-HD 数据集包含从环绕前视中心摄像头拍摄的高分辨率驾驶图像，并为 8 个对象类别标注了 2D 边界框。下面是来自该数据集的示例图像及其对应的注释：
- 标注的驾驶场景：此图像显示了道路物体（例如车辆和行人），并用 2D 边界框进行了标注，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 检测注释来自卡内基梅隆大学的流感知工作。如果你在研究或开发中使用此数据集，请引用：
@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}
}我们要感谢卡内基梅隆大学提供 Argoverse-HD 检测标注，并感谢 Argo AI 创建了最初的 Argoverse 数据集，为自动驾驶研究社区提供了一项宝贵的资源。
常见问题解答#
Ultralytics Argoverse 数据集 (Argoverse-HD) 是一个包含 54,446 张自动驾驶图像的 2D object detection 数据集，涵盖 8 个类别——行人、自行车、汽车、摩托车、公共汽车、卡车、交通灯和停止标志。它用于训练和评估从前置车辆摄像头检测道路物体的模型，支持自动驾驶感知、高级驾驶辅助系统 (ADAS) 和交通监控研究。
Argoverse-HD 数据集拥有 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）和 54,446 张标注图像——其中 39,384 张用于训练，15,062 张用于验证——外加一个为 eval.ai 挑战赛保留的未标注测试集。
在 Ultralytics 中，它是一个 2D 目标检测数据集（带有 2D 边界框的 Argoverse-HD 相机帧），而不是更广泛的 Argoverse 计划中的 3D 跟踪、运动预测或 LiDAR 研究套件。你使用标准检测模型（如
yolo26n.pt）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)有关参数的详细解释，请参考模型训练页面。
Argoverse-HD
*.zip文件（~31.5 GB）先前托管在 Amazon S3 上，现在可以从 Google Drive 手动下载。自动下载将无法工作，因此请在运行训练命令之前获取该压缩包。是的。Ultralytics Platform 允许你上传和版本化像 Argoverse-HD 这样的大型数据集，然后在云端训练和部署 object detection 模型，而无需进行繁重的本地设置。你还可以在检测数据集概述中浏览相关数据集。