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:
- Minimale resolutie voor detectie verlagen.
- De leerefficiëntie verbeteren.
- Ontdekken van meer objectklassen mogelijk maken.
- 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
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:
- 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.