Link to this sectionJeu de données xView#

Le jeu de données xView est l'un des plus grands benchmarks d'imagerie satellite disponibles publiquement pour la détection d'objets, offrant plus d'un million d'instances d'objets réparties sur 60 classes annotées avec des boîtes englobantes dans plus de 1 400 km² d'imagerie WorldView-3 à 0,3 m. Il a été publié pour le défi DIUx xView 2018 par la U.S. National Geospatial-Intelligence Agency (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 :

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.

S'appuyant sur des benchmarks comme COCO, xView cible l'imagerie aérienne, où les objets sont beaucoup plus petits et plus denses que sur des photos au niveau du sol.

datasets/xView/
├── train_images/          # 847 TIF satellite images
├── val_images/            # 282 TIF images (no public labels)
└── xView_train.geojson    # bounding-box annotations

Link to this sectionFonctionnalités clés#

• Classes à grain fin : 60 classes d'objets couvrant les avions, les véhicules, le matériel ferroviaire, les navires, les engins de construction et les bâtiments — beaucoup sont petits, rares et visuellement similaires.
• Haute résolution : résolution au sol de 0,3 m collectée par les satellites WorldView-3.
• Annotation dense : plus d'un million d'instances d'objets sur plus de 1 400 km² d'imagerie, tous étiquetés avec des boîtes englobantes horizontales.
• Conversion automatique : le script de téléchargement Ultralytics convertit les étiquettes GeoJSON d'origine au format YOLO et génère la séparation train/val lors de la première utilisation.

Link to this sectionStructure du jeu de données#

Les images xView sont de grandes scènes satellites au format TIF, et seules les 847 images d'entraînement sont fournies avec des étiquettes publiques — le jeu de validation du défi de 282 images n'en contient aucune. La configuration xView.yaml d'Ultralytics divise donc automatiquement les images étiquetées lors de la première utilisation :

Les 60 classes couvrent des catégories précises telles qu'Avion à voilure fixe, Avion cargo, Petite voiture, Bus, Locomotive, Navire, Pelle, Bâtiment, Hangar d'avion et Réservoir de stockage ; la liste complète se trouve dans le YAML du jeu de données ci-dessous. Lors de la conversion, les ID de classe du défi d'origine (11–94) sont remappés vers des indices contigus 0–59.

Link to this sectionApplications#

Les classes à grain fin d'xView et son point de vue aérien haute résolution en font un benchmark standard pour l'entraînement et l'évaluation de modèles de deep learning en télédétection. Les applications courantes incluent :

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

Pour d'autres benchmarks d'imagerie aérienne, voir le jeu de données VisDrone axé sur les drones ou le jeu de données DOTA-v2 avec boîtes orientées.

Link to this sectionYAML du jeu de données#

Le fichier xView.yaml définit la configuration du jeu de données — les chemins d'accès, les 60 noms de classe et le script de téléchargement qui convertit les annotations GeoJSON et génère l'autosplit. Il est maintenu dans le dépôt Ultralytics 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#

Pour entraîner un modèle sur le dataset xView pendant 100 epochs avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consulte la page Training 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 étiqueter des images satellites supplémentaires et gérer les entraînements xView dans ton navigateur, utilise la Plateforme Ultralytics.

Link to this sectionExemples de données et d'annotations#

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, illustrant pourquoi la détection d'objets en imagerie satellite nécessite une localisation précise.

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, 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 un benchmark d'imagerie satellite publié pour le DIUx xView 2018 Challenge par la U.S. National Geospatial-Intelligence Agency, fournissant plus d'un million d'instances d'objets dans 60 classes précises sur une imagerie WorldView-3 de 0,3 m. Il soutient la recherche sur la détection d'objets petits, rares et précis dans les vues aériennes, qui sont des cibles bien plus difficiles que celles des photos au niveau du sol.

Link to this sectionComment télécharger et configurer le jeu de données xView ?#

xView nécessite un téléchargement manuel : inscris-toi sur le site Web du DIUx xView 2018 Challenge, télécharge train_images.zip (~15 Go), train_labels.zip et val_images.zip (~5 Go) — environ 20,7 Go au total — et extrais-les dans datasets/xView/ en suivant la disposition indiquée 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 train/validation.

Link to this sectionCombien d'images et de classes xView contient-il ?#

xView contient 847 images d'entraînement étiquetées et 282 images de validation sans étiquettes 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. Étant donné que seules les étiquettes d'entraînement sont publiques, la configuration xView.yaml d'Ultralytics divise les 847 images étiquetées à environ 90/10 en ensembles d'entraînement et de validation ; voir Structure du jeu de données pour plus de détails.

Link to this sectionComment entraîner un modèle YOLO26 sur le jeu de données xView ?#

Entraîne un modèle YOLO26n sur xView pendant 100 époques avec une taille d'image de 640 :

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 des arguments et paramètres détaillés, consulte la page Training du modèle.

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

Cite l'article "xView: Objects in Context in Overhead Imagery" (Lam et al., arXiv:1802.07856, 2018) ; l'entrée BibTeX complète se trouve dans la section Citations et Remerciements ci-dessus.