Argoverse Veri Kümesi

Argoverse veri kümesi, 3D izleme, hareket tahmini ve stereo derinlik tahmini gibi otonom sürüş görevlerindeki araştırmaları desteklemek için tasarlanmış bir veri koleksiyonudur. Argo AI tarafından geliştirilen veri kümesi, yüksek çözünürlüklü görüntüler, LiDAR nokta bulutları ve harita verileri dahil olmak üzere çok çeşitli yüksek kaliteli sensör verileri sağlar.

Temel Özellikler

• Argoverse, 1.263 farklı sahne genelinde 290 binden fazla etiketli 3B nesne izi ve 5 milyon nesne örneği içerir.
• Veri seti, yüksek çözünürlüklü kamera görüntüleri, LiDAR nokta bulutları ve zengin bir şekilde açıklanmış HD haritalar içerir.
• Açıklamalar, nesneler için 3B sınırlayıcı kutular, nesne izleri ve yörünge bilgileri içerir.
• Argoverse, 3B izleme, hareket tahmini ve stereo derinlik tahmini gibi farklı görevler için birden çok alt küme sağlar.

Veri Seti Yapısı

Argoverse veri kümesi üç ana alt kümeye ayrılmıştır:

1. Argoverse 3D İzleme: Bu alt küme, 3D nesne izleme görevlerine odaklanarak 290 binden fazla etiketli 3D nesne izi içeren 113 sahne içerir. LiDAR nokta bulutları, kamera görüntüleri ve sensör kalibrasyon bilgilerini içerir.
2. Argoverse Hareket Tahmini: Bu alt küme, hareket tahmini görevleri için uygun olan 60 saatlik sürüş verisinden toplanan 324 bin araç yörüngesinden oluşur.
3. Argoverse Stereo Derinlik Tahmini: Bu alt küme, stereo derinlik tahmini görevleri için tasarlanmıştır ve temel doğruluk derinlik tahmini için karşılık gelen LiDAR nokta bulutları ile 10 binden fazla stereo görüntü çifti içerir.

Uygulamalar

Argoverse veri seti, 3D nesne takibi, hareket tahmini ve stereo derinlik tahmini gibi otonom sürüş görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Veri setinin çeşitli sensör verileri, nesne açıklamaları ve harita bilgileri, onu otonom sürüş alanındaki araştırmacılar ve uygulayıcılar için değerli bir kaynak haline getirmektedir.

Veri Seti YAML

Bir YAML (Yet Another Markup Language) dosyası, veri seti yapılandırmasını tanımlamak için kullanılır. Veri setinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgiler içerir. Argoverse veri seti söz konusu olduğunda, Argoverse.yaml dosyası şu adreste tutulur: 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) 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 tqdm 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

Kullanım

640 görüntü boyutuyla Argoverse veri kümesi üzerinde bir YOLO11n modelini 100 epoch için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için modelin Eğitim sayfasına bakın.

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

Örnek Veri ve Açıklamalar

Argoverse veri kümesi, otonom sürüş görevleri için zengin bir bağlam sağlayan kamera görüntüleri, LiDAR nokta bulutları ve HD harita bilgileri dahil olmak üzere çeşitli bir sensör verisi kümesi içerir. İşte veri kümesinden bazı veri örnekleri ve bunlara karşılık gelen açıklamaları:

• Argoverse 3D İzleme: Bu görüntü, nesnelerin 3D sınırlayıcı kutularla işaretlendiği bir 3D nesne izleme örneğini göstermektedir. Veri kümesi, bu görev için modellerin geliştirilmesini kolaylaştırmak için LiDAR nokta bulutları ve kamera görüntüleri sağlar.

Bu örnek, Argoverse veri kümesindeki verilerin çeşitliliğini ve karmaşıklığını sergilemekte ve otonom sürüş görevleri için yüksek kaliteli sensör verilerinin önemini vurgulamaktadır.

Alıntılar ve Teşekkürler

Araştırma veya geliştirme çalışmalarınızda Argoverse veri kümesini kullanırsanız, lütfen aşağıdaki makaleye atıfta bulunun:

@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}
}

Otonom sürüş araştırma topluluğu için değerli bir kaynak olarak Argoverse veri kümesini oluşturduğu ve sürdürdüğü için Argo AI'ya teşekkür etmek istiyoruz. Argoverse veri kümesi ve yaratıcıları hakkında daha fazla bilgi için Argoverse veri kümesi web sitesini ziyaret edin.

SSS

Argoverse veri kümesi nedir ve temel özellikleri nelerdir?

Argo AI tarafından geliştirilen Argoverse veri kümesi, otonom sürüş araştırmalarını destekler. 290 binden fazla etiketli 3B nesne izi ve 1.263 farklı sahne genelinde 5 milyon nesne örneği içerir. Veri kümesi, yüksek çözünürlüklü kamera görüntüleri, LiDAR nokta bulutları ve açıklama eklenmiş HD haritalar sağlayarak 3B izleme, hareket tahmini ve stereo derinlik tahmini gibi görevler için değerli hale getirir.

Argoverse veri kümesini kullanarak bir Ultralytics YOLO modelini nasıl eğitebilirim?

Argoverse veri kümesiyle bir YOLO11 modeli eğitmek için, sağlanan YAML yapılandırma dosyasını ve aşağıdaki kodu kullanın:

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

Argümanların ayrıntılı açıklaması için model Eğitim sayfasına bakın.

Argoverse veri kümesinde ne tür veriler ve açıklamalar mevcuttur?

Argoverse veri kümesi, yüksek çözünürlüklü kamera görüntüleri, LiDAR nokta bulutları ve HD harita verileri gibi çeşitli sensör veri türlerini içerir. Açıklamalar, 3B sınırlayıcı kutular, nesne izleri ve yörünge bilgilerini içerir. Bu kapsamlı açıklamalar, 3B nesne takibi, hareket tahmini ve stereo derinlik tahmini gibi görevlerde doğru model eğitimi için gereklidir.

Argoverse veri kümesi nasıl yapılandırılmıştır?

Veri kümesi üç ana alt kümeye ayrılmıştır:

1. Argoverse 3D İzleme: 3D nesne izleme görevlerine odaklanan, 290 binden fazla etiketli 3D nesne izi içeren 113 sahne içerir. LiDAR nokta bulutları, kamera görüntüleri ve sensör kalibrasyon bilgilerini içerir.
2. Argoverse Hareket Tahmini: Hareket tahmini görevleri için uygun olan, 60 saatlik sürüş verisinden toplanan 324 bin araç yörüngesinden oluşur.
3. Argoverse Stereo Derinlik Tahmini: Yer doğruluk derinlik tahmini için karşılık gelen LiDAR nokta bulutları ile 10 binden fazla stereo görüntü çifti içerir.

Amazon S3'ten kaldırıldığına göre Argoverse veri kümesini nereden indirebilirim?

Argoverse veri kümesi *.zip dosyası, daha önce Amazon S3'te mevcuttu, şimdi manuel olarak şuradan indirilebilir: Google Drive.

Argoverse veri kümesiyle kullanılan YAML yapılandırma dosyası ne işe yarar?

Bir YAML dosyası, veri kümesinin yollarını, sınıflarını ve diğer temel bilgileri içerir. Argoverse veri kümesi için yapılandırma dosyası, Argoverse.yaml, aşağıdaki bağlantıda bulunabilir: Argoverse.yaml.

YAML yapılandırmaları hakkında daha fazla bilgi için veri setleri kılavuzumuza bakın.

📅 1 yıl önce oluşturuldu ✏️ 9 ay önce güncellendi

Yorumlar