跳至内容

Argoverse 数据集

Argoverse数据集旨在支持自动驾驶任务研究，如三维跟踪、运动预测和立体深度估计。该数据集由 Argo AI 开发，提供各种高质量传感器数据，包括高分辨率图像、激光雷达点云和地图数据。

备注

Argoverse 数据集 *.zip 在福特关闭 Argo AI 后，训练所需的文件已从亚马逊 S3 上删除，但我们已将其提供给用户在以下网站上手动下载 谷歌硬盘.

主要功能

  • Argoverse 包含 1,263 个不同场景中超过 290K 个标记的 3D 物体轨迹和 500 万个物体实例。
  • 数据集包括高分辨率相机图像、激光雷达点云和注释丰富的高清地图。
  • 注释包括物体的三维边界框、物体轨迹和轨迹信息。
  • Argoverse 为不同任务提供了多个子集，如 3D 跟踪、运动预测和立体深度估计。

数据集结构

Argoverse 数据集主要分为三个子集：

  1. Argoverse 3D 跟踪：该子集包含 113 个场景，超过 29 万条标注的三维物体轨迹，主要用于三维物体跟踪任务。其中包括激光雷达点云、相机图像和传感器校准信息。
  2. Argoverse 运动预测：该子集包括从 60 小时驾驶数据中收集的 324K 个车辆轨迹，适用于运动预测任务。
  3. Argoverse 立体深度估计：该子集专为立体深度估算任务而设计，包含 10K 多张立体图像对和相应的激光雷达点云，用于地面实况深度估算。

应用

Argoverse 数据集广泛用于训练和评估自动驾驶任务中的深度学习模型，例如三维物体跟踪、运动预测和立体深度估计。该数据集包含多种传感器数据、物体注释和地图信息，是自动驾驶领域研究人员和从业人员的宝贵资源。

数据集 YAML

YAML（另一种标记语言）文件用于定义数据集配置。它包含数据集的路径、类和其他相关信息。就 Argoverse 数据集而言，YAML 文件中的 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 YOLO 🚀, AGPL-3.0 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: ../datasets/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 tqdm import tqdm
  from ultralytics.utils.downloads import download
  from pathlib import Path

  def argoverse2yolo(set):
      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") 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

使用方法

要在图像大小为 640 的 Argoverse 数据集上训练YOLOv8n 模型 100 次，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。

列车示例

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.pt epochs=100 imgsz=640

样本数据和注释

Argoverse 数据集包含各种传感器数据，包括摄像头图像、激光雷达点云和高清地图信息，为自动驾驶任务提供了丰富的背景信息。以下是数据集中的一些数据示例及其相应的注释：

数据集样本图像

  • Argoverse 3D 跟踪：这张图片展示了三维物体追踪的一个示例，其中的物体都标注了三维边界框。该数据集提供了激光雷达点云和相机图像，便于为这项任务开发模型。

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自动驾驶任务的重要性。

引文和致谢

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}
}

Argo AI 创建并维护了 Argoverse 数据集，为自动驾驶研究界提供了宝贵的资源，我们在此表示感谢。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。



创建于 2023-11-12，更新于 2024-01-14
作者:glenn-jocher(4),Laughing-q(1)

评论