Link to this sectionDataset xView#

Il dataset xView è uno dei più grandi benchmark di immagini satellitari disponibili pubblicamente per il rilevamento di oggetti, che fornisce oltre 1 milione di istanze di oggetti in 60 classi annotate con bounding boxes in oltre 1.400 km² di immagini WorldView-3 a 0,3 m. È stato rilasciato per la sfida DIUx xView 2018 dalla U.S. National Geospatial-Intelligence Agency (NGA) e richiede il download manuale di circa 20,7 GB.

Il dataset è stato creato per spingere quattro frontiere della computer vision:

1. Ridurre la risoluzione minima per il rilevamento.
2. Migliorare l'efficienza dell'apprendimento.
3. Abilitare la scoperta di più classi di oggetti.
4. Migliorare il rilevamento di classi a grana fine.

Basandosi su benchmark come COCO, xView si concentra sulle immagini aeree, dove gli oggetti sono molto più piccoli e densamente raggruppati rispetto alle foto a livello del suolo.

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 sectionCaratteristiche principali#

• Classi a grana fine: 60 classi di oggetti che spaziano tra aeromobili, veicoli, materiale rotabile, imbarcazioni marittime, attrezzature da costruzione ed edifici — molti dei quali piccoli, rari e visivamente simili.
• Alta risoluzione: distanza di campionamento al suolo di 0,3 m raccolta dai satelliti WorldView-3.
• Annotazione densa: oltre 1 milione di istanze di oggetti in oltre 1.400 km² di immagini, tutte etichettate con bounding boxes orizzontali.
• Conversione automatica: lo script di download di Ultralytics converte le etichette GeoJSON originali nel formato YOLO e genera la suddivisione train/val al primo utilizzo.

Link to this sectionStruttura del dataset#

Le immagini xView sono grandi scene satellitari in formato TIF e solo le 847 immagini di addestramento vengono fornite con etichette pubbliche; il set di validazione della sfida da 282 immagini non ne ha. La configurazione xView.yaml di Ultralytics divide quindi le immagini etichettate automaticamente al primo utilizzo:

Le 60 classi coprono categorie a grana fine come Aereo ad ala fissa, Aereo cargo, Auto piccola, Autobus, Locomotiva, Imbarcazione marittima, Escavatore, Edificio, Hangar per aerei e Serbatoio di stoccaggio; l'elenco completo si trova nel Dataset YAML qui sotto. Durante la conversione, gli ID classe della sfida originale (11–94) vengono rimappati su indici contigui 0–59.

Link to this sectionApplicazioni#

Le classi a grana fine e il punto di vista aereo ad alta risoluzione di xView lo rendono un benchmark standard per l'addestramento e la valutazione di modelli di deep learning nel telerilevamento. Le applicazioni comuni includono:

• Ricognizione militare e di difesa
• Pianificazione e sviluppo urbano
• Monitoraggio ambientale
• Risposta e valutazione in caso di disastri
• Mappatura e gestione delle infrastrutture

Per altri benchmark di immagini aeree, vedi il dataset VisDrone focalizzato sui droni o il dataset DOTA-v2 con box orientati.

Link to this sectionDataset YAML#

Il file xView.yaml definisce la configurazione del dataset: i percorsi del dataset, i nomi delle 60 classi e lo script di download che converte le annotazioni GeoJSON e genera l'autosplit. È mantenuto nel repository di Ultralytics su 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 sectionUtilizzo#

Per addestrare un modello sul dataset xView per 100 epoche con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di Addestramento del modello.

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)

Per etichettare ulteriori immagini satellitari e gestire le esecuzioni di addestramento xView nel tuo browser, usa la Piattaforma Ultralytics.

Link to this sectionDati di esempio e annotazioni#

L'esempio qui sotto mostra una tipica scena xView: immagini aeree ad alta risoluzione in cui piccoli oggetti come veicoli ed edifici sono annotati con bounding boxes, illustrando perché il rilevamento di oggetti nelle immagini satellitari richiede una localizzazione a grana fine.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il dataset xView nella tua ricerca o nel tuo lavoro di sviluppo, cita il seguente articolo:

@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}
}

Vorremmo ringraziare la Defense Innovation Unit (DIU) e i creatori del dataset xView per il loro prezioso contributo alla comunità di ricerca sulla computer vision. Per ulteriori informazioni, visita il sito web del dataset xView.

Link to this sectionFAQ#

Link to this sectionCos'è il dataset xView e come favorisce la ricerca sulla computer vision?#

Il dataset xView è un benchmark di immagini satellitari rilasciato per la sfida DIUx xView 2018 dalla U.S. National Geospatial-Intelligence Agency, che fornisce oltre 1 milione di istanze di oggetti in 60 classi a grana fine in immagini WorldView-3 a 0,3 m. Supporta la ricerca sul rilevamento di oggetti piccoli, rari e a grana fine nelle viste aeree, che sono target molto più difficili di quelli nelle foto a livello del suolo.

Link to this sectionCome scarico e configuro il dataset xView?#

xView richiede un download manuale: registrati al sito web della DIUx xView 2018 Challenge, scarica train_images.zip (~15 GB), train_labels.zip e val_images.zip (~5 GB) — circa 20,7 GB in totale — ed estraili in datasets/xView/ seguendo il layout mostrato nell'avviso all'inizio di questa pagina. Al primo avvio dell'addestramento, Ultralytics converte automaticamente le annotazioni GeoJSON nel formato YOLO e crea la suddivisione train/validation.

Link to this sectionQuante immagini e classi ha xView?#

xView contiene 847 immagini di addestramento etichettate e 282 immagini di validazione senza etichette pubbliche, tutte catturate dai satelliti WorldView-3 a 0,3 m di risoluzione. Le annotazioni coprono oltre 1 milione di istanze di oggetti in 60 classi. Poiché solo le etichette di addestramento sono pubbliche, la configurazione xView.yaml di Ultralytics divide le 847 immagini etichettate approssimativamente al 90/10 in set di addestramento e validazione; vedi Struttura del dataset per i dettagli.

Link to this sectionCome addestro un modello YOLO26 sul dataset xView?#

Addestra un modello YOLO26n su xView per 100 epoche a una dimensione immagine di 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)

Per argomenti e impostazioni dettagliati, fai riferimento alla pagina di Addestramento del modello.

Link to this sectionCome cito il dataset xView nella mia ricerca?#

Cita il paper "xView: Objects in Context in Overhead Imagery" (Lam et al., arXiv:1802.07856, 2018); l'intera voce BibTeX si trova nella sezione Citazioni e Riconoscimenti qui sopra.