xView Veri Kümesi#

xView veri kümesi, nesne tespiti için mevcut en büyük halka açık uydu görüntüsü kıyaslama testlerinden biridir; 0,3 m WorldView-3 görüntülerinin 1.400 km²'den fazla alanında sınırlayıcı kutularla etiketlenmiş 60 sınıf genelinde 1 milyondan fazla nesne örneği sunar. ABD Ulusal Jeouzamsal-İstihbarat Ajansı (NGA) tarafından DIUx xView 2018 Yarışması için yayımlanmıştır ve yaklaşık 20,7 GB'lık manuel bir indirme gerektirir.

Veri kümesi, dört bilgisayarlı görü sınırını ilerletmek için oluşturulmuştur:

1. Algılama için minimum çözünürlüğü düşürmek.
2. Öğrenme verimliliğini artırmak.
3. Daha fazla nesne sınıfının keşfedilmesini sağlamak.
4. İnce taneli sınıfların algılanmasını iyileştirmek.

COCO gibi kıyaslama testlerini temel alan xView, nesnelerin zemin seviyesindeki fotoğraflara kıyasla çok daha küçük ve daha yoğun olduğu yukarıdan çekilen görüntüleri hedefler.

datasets/xView/
├── train_images/          # 847 TIF satellite images
├── val_images/            # 282 TIF images (no public labels)
└── xView_train.geojson    # bounding-box annotations

Temel Özellikler#

• İnce taneli sınıflar: uçaklar, araçlar, demiryolu stokları, deniz taşıtları, inşaat ekipmanları ve binaları kapsayan 60 nesne sınıfı; birçoğu küçük, nadir ve görsel olarak birbirine benzerdir.
• Yüksek çözünürlük: WorldView-3 uydularından toplanan 0,3 m yer örnekleme mesafesi.
• Yoğun etiketleme: 1.400 km²'den fazla görüntü genelinde 1 milyondan fazla nesne örneği, tamamı yatay bounding box ile etiketlenmiştir.
• Otomatik dönüştürme: Ultralytics indirme betiği, orijinal GeoJSON etiketlerini YOLO formatına dönüştürür ve ilk kullanımda eğitim/doğrulama ayrımını oluşturur.

Veri Kümesi Yapısı#

xView görüntüleri TIF formatında büyük uydu sahneleridir ve yalnızca 847 eğitim görüntüsü halka açık etiketlerle birlikte gelir; 282 görüntülük yarışma doğrulama setinde etiket yoktur. Bu nedenle Ultralytics xView.yaml yapılandırması, etiketli görüntüleri ilk kullanımda otomatik olarak böler:

60 sınıf; Sabit Kanatlı Uçak, Kargo Uçağı, Küçük Araba, Otobüs, Lokomotif, Deniz Taşıtı, Ekskavatör, Bina, Uçak Hangarı ve Depolama Tankı gibi ince taneli kategorileri kapsar; tam liste aşağıdaki Dataset YAML dosyasında yer alır. Dönüştürme sırasında orijinal yarışma sınıfı kimlikleri (11–94) 0–59 arasındaki bitişik indekslere yeniden eşlenir.

Uygulamalar#

xView'in ince taneli sınıfları ve yüksek çözünürlüklü havadan bakış açısı, onu uzaktan algılama alanında derin öğrenme modellerini eğitmek ve değerlendirmek için standart bir kıyaslama (benchmark) yapar. Yaygın uygulamalar şunları içerir:

• Askeri ve savunma keşifleri
• Kentsel planlama ve kalkınma
• Çevresel izleme
• Afet müdahalesi ve değerlendirmesi
• Altyapı haritalama ve yönetimi

Diğer yukarıdan çekilen görüntü kıyaslama testleri için drone odaklı VisDrone dataset veya yönlendirilmiş kutu odaklı DOTA-v2 dataset seçeneklerine göz at.

Veri Kümesi YAML#

xView.yaml dosyası veri kümesi yapılandırmasını tanımlar; veri kümesi yolları, 60 sınıf adı ve GeoJSON ek açıklamalarını dönüştüren ve otomatik bölmeyi oluşturan indirme betiği burada yer alır. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/xView.yaml adresindeki Ultralytics deposunda sürdürülmektedir.

# 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")

Kullanım#

xView veri kümesi üzerinde 640 görüntü boyutuyla 100 dönem (epoch) boyunca bir model eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir argümanların kapsamlı bir listesi için model Training sayfasına bak.

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)

Ek uydu görüntülerini etiketlemek ve tarayıcında xView eğitim çalıştırmalarını yönetmek için Ultralytics Platform kullan.

Örnek Veriler ve Etiketler#

Aşağıdaki örnek tipik bir xView sahnesini gösterir: araçlar ve binalar gibi küçük nesnelerin sınırlayıcı kutularla etiketlendiği yüksek çözünürlüklü havadan görüntü; bu durum, uydu görüntülerindeki nesne tespiti işlemlerinin neden ince taneli konumlandırma gerektirdiğini açıklar.

Alıntılar ve Teşekkür#

xView veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan, lütfen aşağıdaki makaleye atıfta bulun:

@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}
}

Bilgisayarlı görü araştırma topluluğuna sağladıkları değerli katkılardan dolayı Defense Innovation Unit (DIU) kurumuna ve xView veri kümesinin oluşturucularına teşekkür ederiz. Daha fazla bilgi için xView dataset website adresini ziyaret et.

SSS#

xView veri kümesi nedir ve bilgisayarlı görü araştırmalarına nasıl fayda sağlar?#

xView veri kümesi, ABD Ulusal Jeouzamsal-İstihbarat Ajansı tarafından DIUx xView 2018 Yarışması için yayımlanan ve 0,3 m WorldView-3 görüntülerinde 60 ince taneli sınıf genelinde 1 milyondan fazla nesne örneği sunan bir uydu görüntüsü kıyaslama testidir. Yukarıdan bakış açılarında küçük, nadir ve ince taneli nesneleri tespit etmeye yönelik araştırmaları destekler; bu nesneler zemin seviyesindeki fotoğraflardakilere kıyasla çok daha zor hedeflerdir.

xView veri setini nasıl indirebilir ve kurabilirim?#

xView manuel indirme gerektirir: DIUx xView 2018 Challenge web sitesine kaydol, train_images.zip (~15 GB), train_labels.zip ve val_images.zip (~5 GB) dosyalarını (toplamda yaklaşık 20,7 GB) indir ve bu sayfanın üst kısmındaki uyarıda gösterilen düzeni izleyerek bunları datasets/xView/ altında ayıkla. İlk eğitim çalıştırmasında Ultralytics, GeoJSON ek açıklamalarını otomatik olarak YOLO formatına dönüştürür ve eğitim/doğrulama bölmesini oluşturur.

xView kaç görüntüye ve sınıfa sahip?#

xView, tamamı 0,3 m çözünürlükteki WorldView-3 uyduları tarafından çekilmiş 847 etiketli eğitim görüntüsü ve halka açık etiketi olmayan 282 doğrulama görüntüsü içerir. Ek açıklamalar, 60 sınıf genelinde 1 milyondan fazla nesne örneğini kapsar. Yalnızca eğitim etiketleri halka açık olduğundan, Ultralytics xView.yaml yapılandırması 847 etiketli görüntüyü kabaca 90/10 oranında eğitim ve doğrulama setlerine böler; ayrıntılar için Dataset Structure sayfasına bak.

xView veri setinde nasıl YOLO26 modeli eğitirim?#

xView üzerinde 640 görüntü boyutunda 100 epoch boyunca bir YOLO26n modeli eğit:

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)

Ayrıntılı argümanlar ve ayarlar için model Training sayfasına bak.

xView veri kümesini araştırmamda nasıl atıfta bulunurum?#

"xView: Objects in Context in Overhead Imagery" makalesine atıfta bulun (Lam ve diğerleri, arXiv:1802.07856, 2018); tam BibTeX girdisi yukarıdaki Citations and Acknowledgments bölümünde yer alır.