Argoverse 数据集
Argoverse 数据集是一个数据集合，旨在支持自动驾驶任务的研究，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，提供各种高质量的传感器数据，包括高分辨率图像、LiDAR 点云和地图数据。
注意
Argoverse 数据集 *.zip 由于 Ford 关闭了 Argo AI，训练所需的文件已从 Amazon S3 中删除，但我们已将其放在 Google Drive 上，供手动下载 Google Drive.
主要功能
- Argoverse 包含超过 29 万个带标签的 3D 对象轨迹和 500 万个对象实例，涵盖 1,263 个不同的场景。
- 该数据集包括高分辨率相机图像、LiDAR 点云和丰富注释的 HD 地图。
- 注释包括对象的 3D 边界框、对象轨迹和轨迹信息。
- Argoverse 提供了多个子集，用于不同的任务，例如 3D 跟踪、运动预测和立体深度估计。
数据集结构
Argoverse 数据集分为三个主要子集：
- Argoverse 3D 跟踪：此子集包含 113 个场景，其中包含超过 29 万个带标签的 3D 对象轨迹，重点关注 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 运动预测：该子集包含从 60 小时的驾驶数据中收集的 32.4 万条车辆轨迹，适用于运动预测任务。
- Argoverse 立体深度估计：该子集专为立体深度估计任务而设计，包含超过 1 万个立体图像对，以及用于地面实况深度估计的相应 LiDAR 点云。
应用
Argoverse 数据集被广泛用于训练和评估自动驾驶任务中的深度学习模型，例如 3D 目标跟踪、运动预测和立体深度估计。该数据集包含多样化的传感器数据、目标注释和地图信息，使其成为自动驾驶领域研究人员和从业者的宝贵资源。
数据集 YAML
YAML（Yet Another Markup Language）文件用于定义数据集配置。它包含关于数据集路径、类别和其他相关信息。对于 Argoverse 数据集， Argoverse.yaml 文件保存在 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) https://www.cs.cmu.edu/~mengtial/proj/streaming/ by Argo AI
# 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(set):
"""Convert Argoverse dataset annotations to YOLO format for object detection tasks."""
labels = {}
a = json.load(open(set, "rb"))
for annot in TQDM(a["annotations"], desc=f"Converting {set} to YOLOv5 format..."):
img_id = annot["image_id"]
img_name = a["images"][img_id]["name"]
img_label_name = f"{img_name[:-3]}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 = set.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.us-east-2.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
要在 Argoverse 数据集上训练 YOLO11n 模型 100 个 epochs，图像大小为 640，您可以使用以下代码片段。 有关可用参数的完整列表，请参阅模型训练页面。
训练示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="Argoverse.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=Argoverse.yaml model=yolo11n.pt epochs=100 imgsz=640
样本数据和注释
Argoverse 数据集包含多样化的传感器数据，包括相机图像、LiDAR 点云和高清地图信息，为自动驾驶任务提供丰富的上下文。 以下是数据集中数据的一些示例，以及它们对应的注释：
- Argoverse 3D 跟踪：此图像演示了 3D 目标跟踪的示例，其中目标用 3D 边界框进行注释。 该数据集提供 LiDAR 点云和相机图像，以促进此任务模型的开发。
该示例展示了Argoverse数据集中数据的多样性和复杂性，并突出了高质量传感器数据对于自动驾驶任务的重要性。
引用和致谢
如果您在研究或开发工作中使用Argoverse数据集，请引用以下论文：
@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Argoverse数据集，使其成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。
常见问题
什么是 Argoverse 数据集及其主要特征？
由Argo AI开发的Argoverse数据集支持自动驾驶研究。它包括超过29万个带标签的3D对象轨迹和跨越1,263个不同场景的500万个对象实例。该数据集提供高分辨率相机图像、LiDAR点云和带注释的HD地图，使其对于3D跟踪、运动预测和立体深度估计等任务非常有价值。
如何使用 Argoverse 数据集训练 Ultralytics YOLO 模型？
要使用 Argoverse 数据集训练 YOLO11 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("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="Argoverse.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=Argoverse.yaml model=yolo11n.pt epochs=100 imgsz=640
有关参数的详细说明，请参阅模型训练页面。
Argoverse 数据集中有哪些类型的数据和注释？
Argoverse 数据集包含各种传感器数据类型，例如高分辨率相机图像、LiDAR 点云和高清地图数据。注释包括 3D 边界框、对象轨迹和轨迹信息。这些全面的注释对于 3D 对象跟踪、运动预测和立体深度估计等任务中的精确模型训练至关重要。
Argoverse 数据集的结构是怎样的？
该数据集分为三个主要子集：
- Argoverse 3D 跟踪: 包含 113 个场景，超过 29 万个带标签的 3D 物体轨迹，侧重于 3D 物体跟踪任务。它包括 LiDAR 点云、相机图像和传感器校准信息。
- Argoverse 运动预测: 包含从 60 小时的驾驶数据中收集的 32.4 万条车辆轨迹，适用于运动预测任务。
- Argoverse 立体深度估计：包含超过 1 万个立体图像对，以及用于地面实况深度估计的相应 LiDAR 点云。
Argoverse 数据集已从 Amazon S3 中移除，现在可以在哪里下载？
Argoverse 数据集 *.zip 该文件以前可在 Amazon S3 上获取，现在可以从以下位置手动下载 Google Drive.
YAML 配置文件在 Argoverse 数据集中有什么用途？
YAML 文件包含数据集的路径、类和其他基本信息。 对于 Argoverse 数据集，配置文件 Argoverse.yaml，可以在以下链接中找到： Argoverse.yaml.
有关YAML配置的更多信息，请参阅我们的数据集指南。
