Jeu de données xView#
Le jeu de données xView est l’un des plus grands benchmarks d’imagerie satellite accessibles au public pour la détection d’objets. Il fournit plus d’un million d’instances d’objets réparties sur 60 classes et annotées avec des boîtes englobantes dans plus de 1 400 km² d’images WorldView-3 à 0,3 m. Il a été publié dans le cadre du défi DIUx xView 2018 par l’Agence nationale américaine du renseignement géospatial (NGA) et nécessite un téléchargement manuel d’environ 20,7 Go.
Le jeu de données a été créé pour repousser quatre limites de la vision par ordinateur :
- Réduire la résolution minimale nécessaire à la détection.
- Améliorer l’efficacité de l’apprentissage.
- Permettre de découvrir davantage de classes d’objets.
- Améliorer la détection des classes fines.
À l’instar de benchmarks tels que COCO, xView cible les images aériennes, où les objets sont bien plus petits et plus densément regroupés que sur les photos prises au niveau du sol.
Le jeu de données xView ne se télécharge pas automatiquement. Inscris-toi sur le site du défi DIUx xView 2018 pour télécharger train_images.zip (~15 Go), train_labels.zip et val_images.zip (~5 Go), puis extrais-les dans datasets/xView/ afin que ce dossier contienne :
datasets/xView/
├── train_images/ # 847 TIF satellite images
├── val_images/ # 282 TIF images (no public labels)
└── xView_train.geojson # bounding-box annotationsLors du premier entraînement, Ultralytics convertit automatiquement les annotations GeoJSON au format YOLO et répartit les images annotées en ensembles d’entraînement et de validation selon un ratio d’environ 90/10 — aucune conversion manuelle n’est nécessaire.
Fonctionnalités clés#
- Classes fines : 60 classes d’objets couvrant les avions, les véhicules, le matériel ferroviaire, les navires, les engins de chantier et les bâtiments — dont beaucoup sont petits, rares et visuellement similaires.
- Haute résolution : résolution au sol de 0,3 m obtenue à partir de satellites WorldView-3.
- Annotations denses : plus d’un million d’instances d’objets réparties sur plus de 1 400 km² d’images, toutes annotées avec des boîtes englobantes horizontales.
- Conversion automatique : le script de téléchargement d’Ultralytics convertit les annotations GeoJSON d’origine au format YOLO et génère les partitions train/val lors de la première utilisation.
Structure 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 annotations publiques — l’ensemble de validation du défi, qui contient 282 images, n’en comporte aucune. La configuration Ultralytics xView.yaml répartit donc automatiquement les images annotées lors de la première utilisation :
| Partition | Images | Description |
|---|---|---|
| Entraînement | ~90 % des 847 | Images annotées répertoriées dans autosplit_train.txt, générées lors de la première exécution |
| Validation | ~10 % des 847 | Images annotées répertoriées dans autosplit_val.txt, utilisées pour l’évaluation |
Les 60 classes couvrent des catégories fines telles que les avions à voilure fixe, les avions-cargos, les petites voitures, les bus, les locomotives, les navires, les excavatrices, les bâtiments, les hangars à avions et les réservoirs de stockage ; la liste complète figure dans le fichier YAML du jeu de données ci-dessous. Lors de la conversion, les identifiants de classe d’origine du défi (11–94) sont remappés sur des indices contigus de 0 à 59.
Applications#
Les classes fines de xView et son point de vue aérien à haute résolution en font un benchmark de référence pour l’entraînement et l’évaluation de modèles d’apprentissage profond en télédétection. Parmi les applications courantes :
- Reconnaissance militaire et défense
- Planification et aménagement urbains
- Surveillance environnementale
- Intervention et évaluation après une catastrophe
- Cartographie et gestion des infrastructures
Pour découvrir 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.
Fichier YAML du jeu de données#
Le fichier xView.yaml définit la configuration du jeu de données : les chemins d’accès, les noms des 60 classes et le script de téléchargement qui convertit les annotations GeoJSON et génère la partition 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 nécessite que le téléchargement manuel décrit ci-dessus soit extrait dans datasets/xView/ ; la conversion des annotations et la partition train/val 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, reporte-toi à la page Entraînement du modèle.
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle
results = model.train(data="xView.yaml", epochs=100, imgsz=640)Pour annoter des images satellites supplémentaires et gérer les exécutions d’entraînement xView dans ton navigateur, utilise Ultralytics Platform.
Données et annotations d’exemple#
L’exemple ci-dessous présente une scène xView typique : une image aérienne haute résolution où de petits objets, tels que des véhicules et des bâtiments, sont annotés avec des boîtes englobantes. Cela illustre pourquoi la détection d’objets dans les images satellites 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 tenons à 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 en savoir plus, consulte le site Web du jeu de données xView.
FAQ#
Le jeu de données xView est un benchmark d’imagerie satellite publié dans le cadre du défi DIUx xView 2018 par l’Agence nationale américaine du renseignement géospatial. Il fournit plus d’un million d’instances d’objets réparties sur 60 classes fines dans des images WorldView-3 à 0,3 m. Il permet d’étudier la détection d’objets petits, rares et appartenant à des classes fines dans des vues aériennes, où ils sont bien plus difficiles à détecter que sur des photos prises au niveau du sol.
xView nécessite un téléchargement manuel : inscris-toi sur le site du défi DIUx xView 2018, 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 respectant l’arborescence indiquée dans l’avertissement en haut de cette page. Lors du premier entraînement, Ultralytics convertit automatiquement les annotations GeoJSON au format YOLO et crée les partitions d’entraînement et de validation.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 les 847 images annotées entre les ensembles d’entraînement et de validation selon un ratio d’environ 90/10 ; consulte la page Structure du jeu de données pour en savoir plus.Entraîne un modèle YOLO26n sur xView pendant 100 époques avec une taille d’image de 640 :
Exemple d’entraînementfrom ultralytics import YOLO # Charger un modèle model = YOLO("yolo26n.pt") # charger un modèle préentraîné (recommandé pour l’entraînement) # Entraîner le modèle results = model.train(data="xView.yaml", epochs=100, imgsz=640)Pour consulter les arguments et les paramètres détaillés, reporte-toi à 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.