5.6 Argoverse 数据集概述

夏驰和徐策

于 2024-10-13 10:27:18 发布

阅读量1.3k

点赞数 7

分类专栏：程序猿之人工智能-CV-目标检测算法-工具-Yolov8模型文章标签：人工智能

本文链接：https://blog.youkuaiyun.com/tang7mj/article/details/142894797

版权

程序猿之人工智能-CV-目标检测算法-工具-Yolov8模型专栏收录该内容

13 篇文章

订阅专栏

5.6 Argoverse 数据集概述

Argoverse数据集是一个设计用于支持自动驱动研究的数据集，包括3D追踪、运动预测和双相深度估计等任务。这个数据集由Argo AI发布，提供了带有高分辨率图像、LiDAR点云和地图数据的高质量感知数据。

注意

Argoverse数据集的*.zip文件之前与Argo AI关闭后从Amazon S3下架，但我们已为您提供在Google Drive上的手动下载。

重要特征

Argoverse包含超过29万个标注过的3D对象追踪和500万个对象实例，分布1263个独特场景。
数据集包择了高分辨率的相机图像、LiDAR点云和富有标注的HD地图。
标注包括3D边界框、对象追踪和轨迹信息。
Argoverse提供多个子集用于不同的任务，如\u3D追踪、运动预测和双相深度估计。

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，有超过29万个标注的3D对象追踪，重点是3D对象追踪任务。包择LiDAR点云和相机图像以及感知器校准信息。
Argoverse Motion Forecasting：该子集包吨32.4万条车辆轨迹，由60小时驾驶数据中收集，适合运动预测任务。
Argoverse Stereo Depth Estimation：该子集设计用于双相深度估计任务，包吨超过10,000对双相图像和对应的LiDAR点云，用于深度估计任务的地真值。

应用场景

Argoverse数据集被广泛用于自动驱动任务的深度学习模型的训练和评估，如\u3D对象追踪、运动预测和双相深度估计。数据集的多样感知数据、对象标注和地图信息，使它成为自动驱动领域的研究和实践者的优秀资源。

数据集 YAML 配置

一个 YAML (又叫参数标记语言) 文件用于定义数据集配置。它包择了数据集的路径、类别和其他相关信息。关于Argoverse数据集，您可以在这里找到Argoverse.yaml文件：Argoverse.yaml。

示例 YAML 文件配置如下：

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)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: bus
  5: truck
  6: traffic_light
  7: stop_sign

应用示例

以下代码示例显示如何使用Argoverse数据集训练YOLO11n模型100个仪期，图像尺寸为640。更多参数可以参考模型训练页面。

训练示例

Python

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)

CLI

yolo train data=Argoverse.yaml epochs=100 imgsz=640

数据和标注示例

Argoverse数据集包择了多样的感知数据，包择相机图像、LiDAR点云和HD地图信息，提供了富有的自动驱动任务的背景。下面是数据集中的一些数据示例，以及对应的标注：

Argoverse 3D Tracking：这个图像示例显示了一个3D对象追踪的示例，对象用3D边界框进行标注。数据集提供了LiDAR点云和相机图像，以便模型的开发和优化。

引用和致谢

如果您在研究或开发工作中使用了Argoverse数据集，请引用下列文献：

BibTeX

@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}
}

我们向Argo AI表示感谢，感谢他们创建并维持Argoverse数据集，作为自动驱动研究