Link to this sectionArgoverse 数据集#

Argoverse 数据集是一个旨在支持自动驾驶任务研究的数据集合，例如 3D 跟踪、运动预测和立体深度估计。该数据集由 Argo AI 开发，提供了多种高质量传感器数据，包括高分辨率图像、LiDAR 点云和地图数据。

注意

训练所需的 Argoverse 数据集 *.zip 文件在 Ford 关闭 Argo AI 后已从 Amazon S3 中移除，但我们已将其放在 Google Drive 上供手动下载。

Link to this section主要特性#

Argoverse 包含超过 29 万个标记的 3D 对象轨道以及 1,263 个不同场景中的 500 万个对象实例。
该数据集包括高分辨率相机图像、LiDAR 点云和标注丰富的 HD 地图。
标注内容包括对象的 3D 边界框、对象轨道和轨迹信息。
Argoverse 为不同的任务提供了多个子集，例如 3D 跟踪、运动预测和立体深度估计。

Link to this section数据集结构#

Argoverse 数据集分为三个主要子集：

Argoverse 3D Tracking：该子集包含 113 个场景和超过 29 万个标记的 3D 对象轨道，专注于 3D 对象跟踪任务。它包括 LiDAR 点云、相机图像和传感器校准信息。
Argoverse Motion Forecasting：该子集由从 60 小时的驾驶数据中收集的 32.4 万条车辆轨迹组成，适用于运动预测任务。
Argoverse Stereo Depth Estimation：该子集专为立体深度估计任务设计，包含超过 1 万对立体图像及其对应的用于地面真值深度估计的 LiDAR 点云。

Link to this section应用#

Argoverse 数据集广泛用于训练和评估自动驾驶任务（如 3D 对象跟踪、运动预测和立体深度估计）中的深度学习模型。该数据集多样化的传感器数据、对象标注和地图信息使其成为自动驾驶领域研究人员和从业者的宝贵资源。

YAML (Yet Another Markup Language) 文件用于定义数据集配置。它包含有关数据集路径、类别和其他相关信息。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/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

Link to this section用法#

若要在 Argoverse 数据集上训练 YOLO26n 模型 100 个 epochs，且图像大小为 640，你可以使用以下代码片段。有关可用参数的完整列表，请参考模型 Training 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)

Link to this section示例数据与标注#

Argoverse 数据集包含各种传感器数据，包括相机图像、LiDAR 点云和 HD 地图信息，为自动驾驶任务提供了丰富的背景。以下是来自该数据集的数据示例及其对应的标注：

带有车辆标注的 Argoverse 数据集 3D 跟踪示例

Argoverse 3D Tracking：此图像展示了 3D 对象跟踪的示例，其中对象用 3D 边界框进行了标注。该数据集提供了 LiDAR 点云和相机图像，以促进针对此任务的模型开发。

该示例展示了 Argoverse 数据集中数据的多样性和复杂性，并强调了高质量传感器数据对于自动驾驶任务的重要性。

Link to this section引用与致谢#

如果你在研究或开发工作中使用 Argoverse 数据集，请引用以下论文：

引用

@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 Argo AI 创建并维护了 Argoverse 数据集，将其作为自动驾驶研究社区的宝贵资源。有关 Argoverse 数据集及其创建者的更多信息，请访问 Argoverse 数据集网站。

Link to this section常见问题解答#

Link to this section什么是 Argoverse 数据集及其主要功能？#

Argoverse 数据集由 Argo AI 开发，旨在支持自动驾驶研究。它包含超过 29 万个标记的 3D 对象轨道和 1,263 个不同场景中的 500 万个对象实例。该数据集提供高分辨率相机图像、LiDAR 点云和标注的 HD 地图，使其在 3D 跟踪、运动预测和立体深度估计等任务中极具价值。

Link to this section如何使用 Argoverse 数据集训练 Ultralytics YOLO 模型？#

要使用 Argoverse 数据集训练 YOLO26 模型，请使用提供的 YAML 配置文件和以下代码：

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)

有关参数的详细说明，请参考模型 Training 页面。