Link to this sectionJeu de données xView#

Le jeu de données xView est l'un des plus grands ensembles de données d'imagerie aérienne accessibles au public, contenant des images de scènes complexes du monde entier annotées à l'aide de boîtes englobantes. L'objectif du jeu de données xView est d'accélérer les progrès dans quatre domaines de la vision par ordinateur :

1. Réduire la résolution minimale pour la détection.
2. Améliorer l'efficacité de l'apprentissage.
3. Permettre la découverte de davantage de classes d'objets.
4. Améliorer la détection de classes à grain fin.

xView s'appuie sur le succès de défis comme Common Objects in Context (COCO) et vise à tirer parti de la vision par ordinateur pour analyser la quantité croissante d'imagerie disponible depuis l'espace, afin de comprendre le monde visuel de nouvelles manières et de répondre à une série d'applications importantes.

Link to this sectionFonctionnalités clés#

• xView contient plus d'un million d'instances d'objets répartis sur 60 classes.
• Le jeu de données a une résolution de 0,3 mètre, offrant une imagerie de résolution supérieure à la plupart des jeux de données d'imagerie satellite publics.
• xView présente une collection diversifiée d'objets petits, rares, à grain fin et multi-types avec une annotation par boîte englobante.
• Il est fourni avec un modèle de base pré-entraîné utilisant l'API de détection d'objets TensorFlow et un exemple pour PyTorch.

Link to this sectionStructure du jeu de données#

Le jeu de données xView est composé d'images satellites collectées par des satellites WorldView-3 à une distance d'échantillonnage au sol de 0,3 m. Il contient plus d'un million d'objets répartis sur 60 classes dans plus de 1 400 km² d'imagerie. Ce jeu de données est particulièrement précieux pour les applications de télédétection et la surveillance environnementale.

Link to this sectionApplications#

Le jeu de données xView est largement utilisé pour l'entraînement et l'évaluation de modèles d'apprentissage profond pour la détection d'objets dans l'imagerie aérienne. L'ensemble diversifié de classes d'objets et l'imagerie haute résolution du jeu de données en font une ressource précieuse pour les chercheurs et les praticiens dans le domaine de la vision par ordinateur, en particulier pour l'analyse d'imagerie satellite. Les applications incluent :

• Reconnaissance militaire et de défense
• Urbanisme et développement
• Surveillance environnementale
• Réponse aux catastrophes et évaluation
• Cartographie et gestion des infrastructures

Link to this sectionYAML du jeu de données#

Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins du jeu de données, les classes et d'autres informations pertinentes. Dans le cas du jeu de données xView, le fichier xView.yaml est maintenu sur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/xView.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# DIUx xView 2018 Challenge dataset https://challenge.xviewdataset.org by U.S. National Geospatial-Intelligence Agency (NGA)
# --------  Download and extract data manually to `datasets/xView` before running the 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: xView # dataset root dir
train: images/autosplit_train.txt # train images (relative to 'path') 90% of 847 train images
val: images/autosplit_val.txt # val 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
  from pathlib import Path
  import shutil

  import numpy as np
  from PIL import Image

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

  def convert_labels(fname=Path("xView/xView_train.geojson")):
      """Convert xView GeoJSON labels to YOLO format (classes 0-59) and save them as text files."""
      path = fname.parent
      with open(fname, encoding="utf-8") as f:
          print(f"Loading {fname}...")
          data = json.load(f)

      # Make dirs
      labels = path / "labels" / "train"
      shutil.rmtree(labels, ignore_errors=True)
      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"]:
              image_id = p["image_id"]
              image_file = path / "train_images" / image_id
              if image_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 0-59
                      assert 59 >= cls >= 0, f"incorrect class index {cls}"

                      # Write YOLO label
                      if image_id not in shapes:
                          shapes[image_id] = Image.open(image_file).size
                      box = xyxy2xywhn(box[None].astype(float), w=shapes[image_id][0], h=shapes[image_id][1], clip=True)
                      with open((labels / image_id).with_suffix(".txt"), "a", encoding="utf-8") 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 {image_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")

Link to this sectionUtilisation#

To train a model on the xView dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="xView.yaml", epochs=100, imgsz=640)

Link to this sectionExemples de données et d'annotations#

Le jeu de données xView contient des images satellites haute résolution avec un ensemble diversifié d'objets annotés à l'aide de boîtes englobantes. Voici quelques exemples de données du jeu de données, ainsi que leurs annotations correspondantes :

• Imagerie aérienne : Cette image montre un exemple de détection d'objets dans l'imagerie aérienne, où les objets sont annotés avec des boîtes englobantes. Le jeu de données fournit des images satellites haute résolution pour faciliter le développement de modèles pour cette tâche.

L'exemple met en valeur la variété et la complexité des données du jeu de données xView et souligne l'importance d'une imagerie satellite de haute qualité pour les tâches de détection d'objets.

Link to this sectionJeux de données associés#

Si tu travailles avec de l'imagerie satellite, tu pourrais également être intéressé par l'exploration de ces jeux de données associés :

• DOTA-v2 : Un jeu de données pour la détection d'objets orientés dans des images aériennes
• VisDrone : Un jeu de données pour la détection et le suivi d'objets dans l'imagerie capturée par drone
• Argoverse : Un jeu de données pour la conduite autonome avec des annotations de suivi 3D

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données xView dans tes travaux de recherche ou de développement, merci de citer le document suivant :

@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}
}

Nous souhaitons remercier la Defense Innovation Unit (DIU) et les créateurs du jeu de données xView pour leur précieuse contribution à la communauté de recherche en vision par ordinateur. Pour plus d'informations sur le jeu de données xView et ses créateurs, visite le site Web du jeu de données xView.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données xView et comment bénéficie-t-il à la recherche en vision par ordinateur ?#

Le jeu de données xView est l'une des plus grandes collections d'imagerie aérienne haute résolution accessibles au public, contenant plus d'un million d'instances d'objets répartis sur 60 classes. Il est conçu pour améliorer divers aspects de la recherche en vision par ordinateur, tels que la réduction de la résolution minimale pour la détection, l'amélioration de l'efficacité de l'apprentissage, la découverte de davantage de classes d'objets et l'avancement de la détection d'objets à grain fin.

Link to this sectionComment puis-je utiliser Ultralytics YOLO pour entraîner un modèle sur le jeu de données xView ?#

Pour entraîner un modèle sur le jeu de données xView en utilisant Ultralytics YOLO, suis ces étapes :

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="xView.yaml", epochs=100, imgsz=640)

For detailed arguments and settings, refer to the model Training page.

Link to this sectionQuelles sont les principales caractéristiques du jeu de données xView ?#

Le jeu de données xView se distingue par son ensemble complet de fonctionnalités :

• Plus d'un million d'instances d'objets réparties sur 60 classes distinctes.
• Imagerie haute résolution à 0,3 mètre.
• Types d'objets diversifiés, y compris des objets petits, rares et à grain fin, tous annotés avec des boîtes englobantes.
• Disponibilité d'un modèle de base pré-entraîné et d'exemples dans TensorFlow et PyTorch.

Link to this sectionQuelle est la structure du jeu de données xView et comment est-il annoté ?#

Le jeu de données xView contient de l'imagerie satellite haute résolution capturée par des satellites WorldView-3 à une distance d'échantillonnage au sol de 0,3 m, couvrant plus d'un million d'objets dans 60 classes distinctes au sein d'environ 1 400 km² d'imagerie annotée. Chaque objet est étiqueté avec des boîtes englobantes, ce qui rend le jeu de données hautement adapté à l'entraînement et à l'évaluation de modèles d'apprentissage profond pour la détection d'objets dans les vues aériennes. Pour une répartition détaillée, consulte la section Structure du jeu de données.

Link to this sectionComment citer le jeu de données xView dans mes recherches ?#

Si tu utilises le jeu de données xView dans tes recherches, merci de citer le document suivant :

@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}
}

Pour plus d'informations sur le jeu de données xView, visite le site Web officiel du jeu de données xView.