انتقل إلى المحتوى

مجموعة بيانات xView

تعد مجموعة بيانات xView واحدة من أكبر مجموعات البيانات المتاحة للجمهور للصور العلوية ، وتحتوي على صور من مشاهد معقدة حول العالم مشروحة باستخدام المربعات المحيطة. الهدف من مجموعة بيانات xView هو تسريع التقدم في أربعة حدود لرؤية الكمبيوتر:

  1. تقليل الحد الأدنى من الدقة للكشف.
  2. تحسين كفاءة التعلم.
  3. تمكين اكتشاف المزيد من فئات الكائنات.
  4. تحسين الكشف عن الطبقات الدقيقة الحبيبات.

يعتمد xView على نجاح التحديات مثل الكائنات الشائعة في السياق (COCO) ويهدف إلى الاستفادة من رؤية الكمبيوتر لتحليل الكمية المتزايدة من الصور المتاحة من الفضاء من أجل فهم العالم المرئي بطرق جديدة ومعالجة مجموعة من التطبيقات المهمة.

الميزات الرئيسية

  • يحتوي xView على أكثر من 1 مليون مثيل كائن عبر 60 فئة.
  • تبلغ دقة مجموعة البيانات 0.3 متر ، مما يوفر صورا عالية الدقة من معظم مجموعات بيانات صور الأقمار الصناعية العامة.
  • يتميز xView بمجموعة متنوعة من الكائنات الصغيرة والنادرة والحبيبات الدقيقة ومتعددة الأنواع مع تعليق توضيحي للمربع المحيط.
  • يأتي مع نموذج أساسي مدرب مسبقا باستخدام TensorFlow واجهة برمجة تطبيقات الكشف عن الكائنات ومثال على PyTorch.

هيكل مجموعة البيانات

تتكون مجموعة بيانات xView من صور الأقمار الصناعية التي تم جمعها من الأقمار الصناعية WorldView-3 على مسافة عينة أرضية 0.3 متر. يحتوي على أكثر من مليون كائن عبر 60 فئة في أكثر من 1400 كيلومتر مربع من الصور.

التطبيقات

تستخدم مجموعة بيانات xView على نطاق واسع لتدريب وتقييم نماذج التعلم العميق لاكتشاف الكائنات في الصور العلوية. مجموعة البيانات المتنوعة من فئات الكائنات والصور عالية الدقة تجعلها موردا قيما للباحثين والممارسين في مجال الرؤية الحاسوبية ، وخاصة لتحليل صور الأقمار الصناعية.

مجموعة البيانات YAML

يتم استخدام ملف YAML (لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. يحتوي على معلومات حول مسارات مجموعة البيانات والفئات والمعلومات الأخرى ذات الصلة. في حالة مجموعة بيانات xView ، xView.yaml يتم الاحتفاظ بالملف في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/xView.yaml.

ultralytics/cfg/datasets/xView.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 license
# DIUx xView 2018 Challenge https://challenge.xviewdataset.org by U.S. National Geospatial-Intelligence Agency (NGA)
# --------  DOWNLOAD DATA MANUALLY and jar xf val_images.zip to 'datasets/xView' before running train command!  --------
# Documentation: https://docs.ultralytics.com/datasets/detect/xview/
# Example usage: yolo train data=xView.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── xView  ← downloads here (20.7 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/xView # dataset root dir
train: images/autosplit_train.txt # train images (relative to 'path') 90% of 847 train images
val: images/autosplit_val.txt # train images (relative to 'path') 10% of 847 train images

# Classes
names:
  0: Fixed-wing Aircraft
  1: Small Aircraft
  2: Cargo Plane
  3: Helicopter
  4: Passenger Vehicle
  5: Small Car
  6: Bus
  7: Pickup Truck
  8: Utility Truck
  9: Truck
  10: Cargo Truck
  11: Truck w/Box
  12: Truck Tractor
  13: Trailer
  14: Truck w/Flatbed
  15: Truck w/Liquid
  16: Crane Truck
  17: Railway Vehicle
  18: Passenger Car
  19: Cargo Car
  20: Flat Car
  21: Tank car
  22: Locomotive
  23: Maritime Vessel
  24: Motorboat
  25: Sailboat
  26: Tugboat
  27: Barge
  28: Fishing Vessel
  29: Ferry
  30: Yacht
  31: Container Ship
  32: Oil Tanker
  33: Engineering Vehicle
  34: Tower crane
  35: Container Crane
  36: Reach Stacker
  37: Straddle Carrier
  38: Mobile Crane
  39: Dump Truck
  40: Haul Truck
  41: Scraper/Tractor
  42: Front loader/Bulldozer
  43: Excavator
  44: Cement Mixer
  45: Ground Grader
  46: Hut/Tent
  47: Shed
  48: Building
  49: Aircraft Hangar
  50: Damaged Building
  51: Facility
  52: Construction Site
  53: Vehicle Lot
  54: Helipad
  55: Storage Tank
  56: Shipping container lot
  57: Shipping Container
  58: Pylon
  59: Tower

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import json
  import os
  from pathlib import Path

  import numpy as np
  from PIL import Image
  from tqdm import tqdm

  from ultralytics.data.utils import autosplit
  from ultralytics.utils.ops import xyxy2xywhn


  def convert_labels(fname=Path('xView/xView_train.geojson')):
      # Convert xView geoJSON labels to YOLO format
      path = fname.parent
      with open(fname) as f:
          print(f'Loading {fname}...')
          data = json.load(f)

      # Make dirs
      labels = Path(path / 'labels' / 'train')
      os.system(f'rm -rf {labels}')
      labels.mkdir(parents=True, exist_ok=True)

      # xView classes 11-94 to 0-59
      xview_class2index = [-1, -1, -1, -1, -1, -1, -1, -1, -1, -1, -1, 0, 1, 2, -1, 3, -1, 4, 5, 6, 7, 8, -1, 9, 10, 11,
                           12, 13, 14, 15, -1, -1, 16, 17, 18, 19, 20, 21, 22, -1, 23, 24, 25, -1, 26, 27, -1, 28, -1,
                           29, 30, 31, 32, 33, 34, 35, 36, 37, -1, 38, 39, 40, 41, 42, 43, 44, 45, -1, -1, -1, -1, 46,
                           47, 48, 49, -1, 50, 51, -1, 52, -1, -1, -1, 53, 54, -1, 55, -1, -1, 56, -1, 57, -1, 58, 59]

      shapes = {}
      for feature in tqdm(data['features'], desc=f'Converting {fname}'):
          p = feature['properties']
          if p['bounds_imcoords']:
              id = p['image_id']
              file = path / 'train_images' / id
              if file.exists():  # 1395.tif missing
                  try:
                      box = np.array([int(num) for num in p['bounds_imcoords'].split(",")])
                      assert box.shape[0] == 4, f'incorrect box shape {box.shape[0]}'
                      cls = p['type_id']
                      cls = xview_class2index[int(cls)]  # xView class to 0-60
                      assert 59 >= cls >= 0, f'incorrect class index {cls}'

                      # Write YOLO label
                      if id not in shapes:
                          shapes[id] = Image.open(file).size
                      box = xyxy2xywhn(box[None].astype(np.float), w=shapes[id][0], h=shapes[id][1], clip=True)
                      with open((labels / id).with_suffix('.txt'), 'a') as f:
                          f.write(f"{cls} {' '.join(f'{x:.6f}' for x in box[0])}\n")  # write label.txt
                  except Exception as e:
                      print(f'WARNING: skipping one label for {file}: {e}')


  # Download manually from https://challenge.xviewdataset.org
  dir = Path(yaml['path'])  # dataset root dir
  # urls = ['https://d307kc0mrhucc3.cloudfront.net/train_labels.zip',  # train labels
  #         'https://d307kc0mrhucc3.cloudfront.net/train_images.zip',  # 15G, 847 train images
  #         'https://d307kc0mrhucc3.cloudfront.net/val_images.zip']  # 5G, 282 val images (no labels)
  # download(urls, dir=dir)

  # Convert labels
  convert_labels(dir / 'xView_train.geojson')

  # Move images
  images = Path(dir / 'images')
  images.mkdir(parents=True, exist_ok=True)
  Path(dir / 'train_images').rename(dir / 'images' / 'train')
  Path(dir / 'val_images').rename(dir / 'images' / 'val')

  # Split
  autosplit(dir / 'images' / 'train')

استخدام

لتدريب نموذج على مجموعة بيانات xView ل 100 حقبة بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، ارجع إلى صفحة نموذج التدريب .

مثال القطار

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="xView.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=xView.yaml model=yolov8n.pt epochs=100 imgsz=640

عينة من البيانات والتعليقات التوضيحية

تحتوي مجموعة بيانات xView على صور ساتلية عالية الدقة مع مجموعة متنوعة من الكائنات المشروحة باستخدام المربعات المحيطة. في ما يلي بعض الأمثلة على البيانات من مجموعة البيانات، إلى جانب التعليقات التوضيحية المقابلة لها:

صورة عينة مجموعة البيانات

  • الصور العلوية: توضح هذه الصورة مثالا على اكتشاف الكائن في الصور العلوية، حيث يتم إضافة تعليقات توضيحية إلى الكائنات باستخدام مربعات محيطة. وتوفر مجموعة البيانات صورا ساتلية عالية الاستبانة لتيسير وضع نماذج لهذه المهمة.

يعرض المثال تنوع البيانات وتعقيدها في مجموعة بيانات xView ويسلط الضوء على أهمية صور الأقمار الصناعية عالية الجودة لمهام اكتشاف الكائنات.

الاستشهادات والشكر

إذا كنت تستخدم مجموعة بيانات xView في أعمال البحث أو التطوير الخاصة بك ، فيرجى الاستشهاد بالورقة التالية:

@misc{lam2018xview,
      title={xView: Objects in Context in Overhead Imagery},
      author={Darius Lam and Richard Kuzma and Kevin McGee and Samuel Dooley and Michael Laielli and Matthew Klaric and Yaroslav Bulatov and Brendan McCord},
      year={2018},
      eprint={1802.07856},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

نود أن نعرب عن تقديرنا لوحدة الابتكار الدفاعي (DIU) ومنشئي مجموعة بيانات xView لمساهمتهم القيمة في مجتمع أبحاث رؤية الكمبيوتر. لمزيد من المعلومات حول مجموعة بيانات xView ومنشئيها، تفضل بزيارة موقع ويب مجموعة بيانات xView.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5), Laughing-q (1)

التعليقات