Jeu de données xView#
Le jeu de données xView est l’un des plus grands benchmarks publics d’imagerie satellitaire pour la détection d’objets, fournissant plus d’un million d’instances d’objets réparties sur 60 classes, annotées avec des boîtes englobantes dans plus de 1 400 km² d’images WorldView-3 à 0,3 m. Il a été publié pour le DIUx xView 2018 Challenge par la National Geospatial-Intelligence Agency des États-Unis (NGA) et nécessite un téléchargement manuel d’environ 20,7 Go.
Le jeu de données a été créé pour repousser quatre frontières de la vision par ordinateur :
- Réduire la résolution minimale nécessaire à la détection.
- Améliorer l’efficacité de l’apprentissage.
- Permettre la découverte d’un plus grand nombre de classes d’objets.
- Améliorer la détection des classes fines.
En s’appuyant sur des benchmarks comme COCO, xView cible l’imagerie aérienne, où les objets sont bien plus petits et plus densément regroupés que dans les photos prises au niveau du sol.
Le jeu de données xView n’est pas téléchargé automatiquement. Inscris-toi sur le site du DIUx xView 2018 Challenge pour télécharger train_images.zip (~15 Go), train_labels.zip et val_images.zip (~5 Go), puis extrais-les dans datasets/xView/ afin qu’il contienne :
datasets/xView/
├── train_images/ # 847 TIF satellite images
├── val_images/ # 282 TIF images (no public labels)
└── xView_train.geojson # bounding-box annotationsLors de la première exécution de l’entraînement, Ultralytics convertit automatiquement les annotations GeoJSON au format YOLO et répartit approximativement les images annotées à 90/10 entre les ensembles d’entraînement et de validation — aucune conversion manuelle n’est nécessaire.
Fonctionnalités clés#
- Classes fines : 60 classes d’objets couvrant les aéronefs, les véhicules, le matériel ferroviaire, les navires, les équipements de construction et les bâtiments — souvent petits, rares et visuellement similaires.
- Haute résolution : distance d’échantillonnage au sol de 0,3 m, obtenue à partir de satellites WorldView-3.
- Annotation dense : plus d’un million d’instances d’objets dans plus de 1 400 km² d’images, toutes étiquetées avec des boîtes englobantes horizontales.
- Conversion automatique : le script de téléchargement Ultralytics convertit les annotations GeoJSON d’origine au format YOLO et génère la séparation entraînement/validation lors de la première utilisation.
Structure du jeu de données#
Les images xView sont de grandes scènes satellitaires au format TIF, et seules les 847 images d’entraînement sont fournies avec des annotations publiques — l’ensemble de validation du challenge, composé de 282 images, n’en possède aucune. La configuration Ultralytics xView.yaml répartit donc automatiquement les images annotées lors de la première utilisation :
| Sous-ensemble | Images | Description |
|---|---|---|
| Entraîner | ~90 % de 847 | Images annotées répertoriées dans autosplit_train.txt, générées lors de la première exécution |
| Validation | ~10 % de 847 | Images annotées répertoriées dans autosplit_val.txt, utilisées pour l’évaluation |
Les 60 classes couvrent des catégories fines telles que Fixed-wing Aircraft, Cargo Plane, Small Car, Bus, Locomotive, Maritime Vessel, Excavator, Building, Aircraft Hangar et Storage Tank ; la liste complète figure dans le fichier YAML du jeu de données ci-dessous. Lors de la conversion, les identifiants de classes d’origine du challenge (11–94) sont remappés vers des indices contigus de 0 à 59.
Applications#
Les classes fines de xView et son point de vue aérien haute résolution en font un benchmark standard pour l’entraînement et l’évaluation de modèles d’apprentissage profond en télédétection. Les applications courantes comprennent :
- Reconnaissance militaire et défense
- Planification et développement urbains
- Surveillance environnementale
- Intervention et évaluation après sinistre
- Cartographie et gestion des infrastructures
Pour d’autres benchmarks d’imagerie aérienne, consulte le jeu de données VisDrone, axé sur les drones, ou le jeu de données DOTA-v2, qui utilise des boîtes orientées.
YAML du jeu de données#
Le fichier xView.yaml définit la configuration du jeu de données — les chemins des données, les 60 noms de classes et le script de téléchargement qui convertit les annotations GeoJSON et génère la séparation automatique. Il est maintenu dans le dépôt Ultralytics à l’adresse 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")Utilisation#
L’entraînement s’attend à ce que le téléchargement manuel décrit ci-dessus soit extrait dans datasets/xView/ ; la conversion des annotations et la séparation entraînement/validation s’exécutent ensuite automatiquement.
Pour entraîner un modèle sur le jeu de données xView pendant 100 époques avec une taille d’image de 640, tu peux utiliser les extraits de code suivants. Pour consulter la liste complète des arguments disponibles, réfère-toi à la page Entraînement du modèle.
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)Pour annoter des images satellitaires supplémentaires et gérer les exécutions d’entraînement xView dans ton navigateur, utilise Ultralytics Platform.
Données et annotations d'exemple#
L’exemple ci-dessous montre une scène xView typique : une imagerie aérienne haute résolution dans laquelle de petits objets tels que des véhicules et des bâtiments sont annotés avec des boîtes englobantes, ce qui illustre pourquoi la détection d’objets dans l’imagerie satellitaire exige une localisation fine.
Citations et remerciements#
Si tu utilises le jeu de données xView dans tes travaux de recherche ou de développement, cite l’article 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) ainsi que les créateurs du jeu de données xView pour leur précieuse contribution à la communauté de recherche en vision par ordinateur. Pour plus d’informations, consulte le site du jeu de données xView.
FAQ#
Le jeu de données xView est un benchmark d’imagerie satellitaire publié pour le DIUx xView 2018 Challenge par la National Geospatial-Intelligence Agency des États-Unis, fournissant plus d’un million d’instances d’objets réparties sur 60 classes fines dans des images WorldView-3 à 0,3 m. Il soutient la recherche sur la détection d’objets petits, rares et fins dans des vues aériennes, qui sont bien plus difficiles à cibler que ceux présents dans les photos prises au niveau du sol.
xView contient 847 images d’entraînement annotées et 282 images de validation sans annotations publiques, toutes capturées par des satellites WorldView-3 à une résolution de 0,3 m. Les annotations couvrent plus d’un million d’instances d’objets réparties sur 60 classes. Comme seules les annotations d’entraînement sont publiques, la configuration Ultralytics
xView.yamlrépartit approximativement les 847 images annotées à 90/10 entre les ensembles d’entraînement et de validation ; consulte Structure du jeu de données pour plus de détails.Entraîne un modèle YOLO26n sur xView pendant 100 époques avec une taille d’image de 640 :
Exemple d’entraînementfrom 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)Pour plus de détails sur les arguments et les paramètres, consulte la page Entraînement du modèle.
Cite l’article « xView: Objects in Context in Overhead Imagery » (Lam et al., arXiv:1802.07856, 2018) ; la référence BibTeX complète se trouve dans la section Citations et remerciements ci-dessus.
xView nécessite un téléchargement manuel : inscris-toi sur le site du DIUx xView 2018 Challenge, télécharge
train_images.zip(~15 Go),train_labels.zipetval_images.zip(~5 Go) — environ 20,7 Go au total — puis extrais-les dansdatasets/xView/en suivant la structure présentée dans l’avertissement en haut de cette page. Lors de la première exécution de l’entraînement, Ultralytics convertit automatiquement les annotations GeoJSON au format YOLO et crée la séparation entraînement/validation.