Overslaan naar inhoud

xView Dataset

De xView dataset is een van de grootste publiek beschikbare datasets van bovengrondse beelden en bevat beelden van complexe scènes over de hele wereld die zijn geannoteerd met bounding boxes. Het doel van de xView dataset is om de vooruitgang op vier gebieden van computervisie te versnellen:

  1. Minimale resolutie voor detectie verlagen.
  2. De leerefficiëntie verbeteren.
  3. Ontdekken van meer objectklassen mogelijk maken.
  4. Verbeter de detectie van fijnkorrelige klassen.

xView bouwt voort op het succes van uitdagingen zoals Common Objects in Context (COCO) en wil computervisie gebruiken om de groeiende hoeveelheid beschikbare beelden uit de ruimte te analyseren om de visuele wereld op nieuwe manieren te begrijpen en een reeks belangrijke toepassingen aan te pakken.

Belangrijkste kenmerken

  • xView bevat meer dan 1 miljoen objectinstanties in 60 klassen.
  • De dataset heeft een resolutie van 0,3 meter en biedt beelden met een hogere resolutie dan de meeste openbare satellietbeelddatasets.
  • xView heeft een gevarieerde verzameling van kleine, zeldzame, fijnkorrelige en multi-type objecten met bounding box annotatie.
  • Wordt geleverd met een voorgetraind basismodel met de TensorFlow objectdetectie-API en een voorbeeld voor PyTorch.

Structuur dataset

De xView dataset bestaat uit satellietbeelden die zijn verzameld met WorldView-3 satellieten op een grondmonsterafstand van 0,3 meter. Het bevat meer dan 1 miljoen objecten in 60 klassen in meer dan 1400 km² beeldmateriaal.

Toepassingen

De xView dataset wordt veel gebruikt voor het trainen en evalueren van deep learning modellen voor objectdetectie in overheadbeelden. Door de diverse objectklassen en hoge resolutie beelden is de dataset een waardevolle bron voor onderzoekers en praktijkmensen op het gebied van computervisie, met name voor de analyse van satellietbeelden.

Dataset YAML

Een YAML (Yet Another Markup Language) bestand wordt gebruikt om de configuratie van de dataset te definiëren. Het bevat informatie over de paden, klassen en andere relevante informatie van de dataset. In het geval van de xView dataset is de xView.yaml bestand wordt onderhouden op https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/xView.yaml.

ultralytics/cfg/datasets/xView.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 license
# DIUx xView 2018 Challenge https://challenge.xviewdataset.org by U.S. National Geospatial-Intelligence Agency (NGA)
# --------  DOWNLOAD DATA MANUALLY and jar xf val_images.zip to 'datasets/xView' before running 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: ../datasets/xView # dataset root dir
train: images/autosplit_train.txt # train images (relative to 'path') 90% of 847 train images
val: images/autosplit_val.txt # train 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
  import os
  from pathlib import Path

  import numpy as np
  from PIL import Image
  from tqdm import tqdm

  from ultralytics.data.utils import autosplit
  from ultralytics.utils.ops import xyxy2xywhn


  def convert_labels(fname=Path('xView/xView_train.geojson')):
      # Convert xView geoJSON labels to YOLO format
      path = fname.parent
      with open(fname) as f:
          print(f'Loading {fname}...')
          data = json.load(f)

      # Make dirs
      labels = Path(path / 'labels' / 'train')
      os.system(f'rm -rf {labels}')
      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']:
              id = p['image_id']
              file = path / 'train_images' / id
              if 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 0-60
                      assert 59 >= cls >= 0, f'incorrect class index {cls}'

                      # Write YOLO label
                      if id not in shapes:
                          shapes[id] = Image.open(file).size
                      box = xyxy2xywhn(box[None].astype(np.float), w=shapes[id][0], h=shapes[id][1], clip=True)
                      with open((labels / id).with_suffix('.txt'), 'a') 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 {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')

Gebruik

Om een model te trainen op de xView dataset voor 100 epochs met een afbeeldingsgrootte van 640, kun je de volgende codefragmenten gebruiken. Raadpleeg de pagina Model Training voor een uitgebreide lijst met beschikbare argumenten.

Voorbeeld trein

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="xView.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=xView.yaml model=yolov8n.pt epochs=100 imgsz=640

Voorbeeldgegevens en annotaties

De xView dataset bevat hoge-resolutie satellietbeelden met een diverse reeks objecten die zijn geannoteerd met behulp van bounding boxes. Hier zijn enkele voorbeelden van gegevens uit de dataset, samen met de bijbehorende annotaties:

Voorbeeldafbeelding dataset

  • Bovengrondse beelden: Deze afbeelding demonstreert een voorbeeld van objectdetectie in overheadbeelden, waarbij objecten worden geannoteerd met bounding boxes. De dataset biedt satellietbeelden met een hoge resolutie om de ontwikkeling van modellen voor deze taak te vergemakkelijken.

Het voorbeeld toont de verscheidenheid en complexiteit van de gegevens in de xView dataset en benadrukt het belang van satellietbeelden van hoge kwaliteit voor objectdetectietaken.

Citaten en erkenningen

Als je de xView dataset gebruikt in je onderzoek of ontwikkeling, citeer dan het volgende document:

@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}
}

We willen graag de Defense Innovation Unit (DIU) en de makers van de xView dataset bedanken voor hun waardevolle bijdrage aan de computer vision onderzoeksgemeenschap. Ga voor meer informatie over de xView dataset en de makers naar de xView dataset website.

FAQ

Wat is de xView dataset en hoe kan het computer vision onderzoek er baat bij hebben?

De xView dataset is een van de grootste publiek beschikbare collecties van hoge-resolutie overheadbeelden en bevat meer dan 1 miljoen objectinstanties in 60 klassen. Het is ontworpen om verschillende facetten van computer vision onderzoek te verbeteren, zoals het verlagen van de minimale resolutie voor detectie, het verbeteren van de leerefficiëntie, het ontdekken van meer objectklassen en het bevorderen van fijnkorrelige objectdetectie.

Hoe kan ik Ultralytics YOLO gebruiken om een model te trainen op de xView dataset?

Voer de volgende stappen uit om een model te trainen op de xView dataset met Ultralytics YOLO :

Voorbeeld trein

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="xView.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=xView.yaml model=yolov8n.pt epochs=100 imgsz=640

Raadpleeg de pagina Training van het model voor gedetailleerde argumenten en instellingen.

Wat zijn de belangrijkste kenmerken van de xView dataset?

De xView dataset valt op door zijn uitgebreide set kenmerken: - Meer dan 1 miljoen objectinstanties in 60 verschillende klassen. - Beeldmateriaal met hoge resolutie op 0,3 meter. - Diverse objecttypen, waaronder kleine, zeldzame en fijnkorrelige objecten, allemaal geannoteerd met bounding boxes. - Beschikbaarheid van een voorgetraind basismodel en voorbeelden in TensorFlow en PyTorch.

Wat is de datasetstructuur van xView en hoe wordt deze geannoteerd?

De xView dataset bestaat uit satellietbeelden met hoge resolutie die zijn verzameld met WorldView-3 satellieten op een grondmonsterafstand van 0,3 meter. Het omvat meer dan 1 miljoen objecten in 60 klassen in ongeveer 1400 km² beeldmateriaal. Elk object in de dataset is geannoteerd met bounding boxes, waardoor het ideaal is voor het trainen en evalueren van deep learning modellen voor objectdetectie in beeldmateriaal boven de grond. Voor een gedetailleerd overzicht kun je hier kijken naar de structuur van de dataset.

Hoe citeer ik de xView dataset in mijn onderzoek?

Als je de xView dataset gebruikt in je onderzoek, citeer dan het volgende artikel:

BibTeX

@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}
}

Ga voor meer informatie over de xView dataset naar de officiële xView dataset website.



Aangemaakt 2023-11-12, Bijgewerkt 2024-07-04
Auteurs: glenn-jocher (6), Laughing-q (1)

Reacties