xView 데이터셋#
xView 데이터셋은 객체 탐지를 위한 공개 위성 이미지 벤치마크 중 하나로, 1,400km²가 넘는 0.3m WorldView-3 이미지에서 60개 클래스에 걸쳐 100만 개가 넘는 객체 인스턴스에 바운딩 박스가 주석 처리되어 있습니다. 이 데이터셋은 미국 국가 지리정보국(NGA)이 개최한 DIUx xView 2018 Challenge를 위해 공개되었으며, 약 20.7GB의 수동 다운로드가 필요합니다.
이 데이터셋은 다음 네 가지 컴퓨터 비전 분야의 발전을 목표로 제작되었습니다.
- 탐지에 필요한 최소 해상도를 낮춥니다.
- 학습 효율을 개선합니다.
- 더 많은 객체 클래스를 발견할 수 있도록 합니다.
- 세부 클래스의 탐지 성능을 개선합니다.
COCO와 같은 벤치마크를 기반으로 하는 xView는 지상 촬영 사진보다 객체가 훨씬 작고 밀집되어 있는 상공 이미지를 대상으로 합니다.
xView 데이터셋은 자동으로 다운로드되지 않습니다. DIUx xView 2018 Challenge 웹사이트에 등록하여 train_images.zip (~15GB), train_labels.zip, val_images.zip (~5GB)를 다운로드한 다음, datasets/xView/ 아래에 압축을 풀어 다음 항목이 포함되도록 하십시오.
datasets/xView/
├── train_images/ # 847 TIF satellite images
├── val_images/ # 282 TIF images (no public labels)
└── xView_train.geojson # bounding-box annotations첫 번째 학습 실행 시 Ultralytics는 GeoJSON 주석을 YOLO 형식으로 변환하고, 레이블이 지정된 이미지를 약 90/10 비율로 학습 및 검증 세트로 자동 분할하므로 수동 변환이 필요하지 않습니다.
주요 기능#
- 세부 클래스: 항공기, 차량, 철도 차량, 해상 선박, 건설 장비 및 건물에 걸친 60개 객체 클래스로, 대부분 크기가 작고 드물게 나타나며 시각적으로 유사합니다.
- 고해상도: WorldView-3 위성에서 수집한 0.3m 지상 샘플링 거리입니다.
- 고밀도 주석: 1,400km²가 넘는 이미지에서 100만 개가 넘는 객체 인스턴스에 모두 수평 바운딩 박스가 지정되어 있습니다.
- 자동 변환: Ultralytics 다운로드 스크립트는 원본 GeoJSON 레이블을 YOLO 형식으로 변환하고 처음 사용할 때 학습/검증 분할을 생성합니다.
데이터셋 구조#
xView 이미지는 TIF 형식의 대규모 위성 장면이며, 공개 레이블은 847개의 학습 이미지에만 제공됩니다. 282개 이미지로 구성된 챌린지 검증 세트에는 레이블이 없습니다. 따라서 Ultralytics의 xView.yaml 구성은 처음 사용할 때 레이블이 지정된 이미지를 자동으로 분할합니다.
| 분할 | 이미지 | 설명 |
|---|---|---|
| 학습 | 847개의 약 90% | autosplit_train.txt에 나열되며 첫 번째 실행 시 생성되는 레이블 지정 이미지 |
| 검증 | 847개의 약 10% | autosplit_val.txt에 나열되며 평가에 사용되는 레이블 지정 이미지 |
60개 클래스에는 Fixed-wing Aircraft, Cargo Plane, Small Car, Bus, Locomotive, Maritime Vessel, Excavator, Building, Aircraft Hangar, Storage Tank와 같은 세부 카테고리가 포함되며, 전체 목록은 아래의 데이터셋 YAML에 있습니다. 변환 중에 원본 챌린지 클래스 ID(11–94)는 연속 인덱스 0–59로 다시 매핑됩니다.
응용 분야#
xView의 세부 클래스와 고해상도 상공 관점은 원격 탐사에서 딥러닝 모델을 학습하고 평가하기 위한 표준 벤치마크로 활용됩니다. 일반적인 응용 분야는 다음과 같습니다.
- 군사 및 국방 정찰
- 도시 계획 및 개발
- 환경 모니터링
- 재난 대응 및 평가
- 인프라 매핑 및 관리
다른 상공 이미지 벤치마크는 드론에 초점을 맞춘 VisDrone 데이터셋 또는 방향성 박스를 사용하는 DOTA-v2 데이터셋을 참조하십시오.
데이터셋 YAML#
xView.yaml 파일은 데이터셋 구성, 즉 데이터셋 경로, 60개 클래스 이름, GeoJSON 주석을 변환하고 자동 분할을 생성하는 다운로드 스크립트를 정의합니다. 이 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/xView.yaml의 Ultralytics 리포지토리에서 관리됩니다.
# 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")사용법#
학습을 실행하려면 위에서 설명한 수동 다운로드 파일을 datasets/xView/ 아래에 압축 해제해야 하며, 이후 주석 변환과 학습/검증 분할이 자동으로 실행됩니다.
640의 이미지 크기로 xView 데이터셋에서 100개의 에포크 동안 모델을 학습하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하십시오.
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)추가 위성 이미지에 레이블을 지정하고 브라우저에서 xView 학습 실행을 관리하려면 Ultralytics Platform을 사용하십시오.
샘플 데이터 및 어노테이션#
아래 샘플은 일반적인 xView 장면을 보여줍니다. 차량과 건물 같은 작은 객체가 바운딩 박스로 주석 처리된 고해상도 상공 이미지로, 위성 이미지에서 객체 탐지에 세밀한 위치 추정이 필요한 이유를 보여줍니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 xView 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오.
@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}
}Defense Innovation Unit(DIU)와 xView 데이터셋 제작자께서 컴퓨터 비전 연구 커뮤니티에 귀중한 기여를 해 주신 데 감사드립니다. 자세한 내용은 xView 데이터셋 웹사이트를 방문하십시오.
FAQ#
xView 데이터셋은 미국 국가 지리정보국이 DIUx xView 2018 Challenge를 위해 공개한 위성 이미지 벤치마크로, 0.3m WorldView-3 이미지에서 60개 세부 클래스에 걸쳐 100만 개가 넘는 객체 인스턴스를 제공합니다. 이 데이터셋은 지상 촬영 사진의 객체보다 훨씬 탐지하기 어려운 상공 뷰의 작고 드문 세부 객체 탐지 연구를 지원합니다.
xView는 수동 다운로드가 필요합니다. DIUx xView 2018 Challenge 웹사이트에 등록하고
train_images.zip(~15GB),train_labels.zip,val_images.zip(~5GB)를 다운로드하십시오. 전체 크기는 약 20.7GB이며, 이 페이지 상단 경고에 표시된 구조에 따라datasets/xView/아래에 압축을 풉니다. 첫 번째 학습 실행 시 Ultralytics가 GeoJSON 주석을 YOLO 형식으로 자동 변환하고 학습/검증 분할을 생성합니다.xView에는 레이블이 지정된 학습 이미지 847개와 공개 레이블이 없는 검증 이미지 282개가 포함되어 있으며, 모두 WorldView-3 위성이 0.3m 해상도로 촬영했습니다. 주석은 60개 클래스에 걸쳐 100만 개가 넘는 객체 인스턴스를 포함합니다. 학습 레이블만 공개되어 있으므로 Ultralytics의
xView.yaml구성은 레이블이 지정된 847개 이미지를 약 90/10 비율로 학습 및 검증 세트로 분할합니다. 자세한 내용은 데이터셋 구조를 참조하십시오."xView: Objects in Context in Overhead Imagery" 논문(Lam et al., arXiv:1802.07856, 2018)을 인용하십시오. 전체 BibTeX 항목은 위의 인용 및 감사의 글 섹션에 있습니다.