Link to this sectionxView Veri Kümesi#
xView veri kümesi, dünyadaki karmaşık sahnelerden alınan ve sınırlayıcı kutular kullanılarak etiketlenmiş görüntüler içeren, halka açık en büyük havadan görüntüleme veri kümelerinden biridir. xView veri kümesinin amacı, dört bilgisayarlı görü sınırındaki ilerlemeyi hızlandırmaktır:
- Algılama için minimum çözünürlüğü düşürmek.
- Öğrenme verimliliğini artırmak.
- Daha fazla nesne sınıfının keşfedilmesini sağlamak.
- İnce taneli sınıfların algılanmasını iyileştirmek.
xView, Common Objects in Context (COCO) gibi yarışmaların başarısı üzerine inşa edilmiştir ve görsel dünyayı yeni yollarla anlamak ve çeşitli önemli uygulamalara çözüm getirmek amacıyla uzaydan gelen giderek artan görüntü miktarını analiz etmek için bilgisayarlı görüden yararlanmayı hedefler.
xView veri kümesi, Ultralytics betikleri tarafından otomatik olarak indirilmez. Veri kümesini öncelikle resmi kaynaktan manuel olarak indirmen gerekir:
- Kaynak: DIUx xView 2018 Yarışması, ABD Ulusal Jeo-uzamsal İstihbarat Ajansı (NGA)
- URL: https://challenge.xviewdataset.org
Önemli: Gerekli dosyaları (örneğin, train_images.tif, val_images.tif, xView_train.geojson) indirdikten sonra, bunları çıkarman ve aşağıda verilen eğitim komutlarını çalıştırmadan önce genellikle datasets/xView/ klasörü altında beklenen doğru dizin yapısına yerleştirmen gerekir. Veri kümesinin yarışma talimatlarına göre düzgün bir şekilde ayarlandığından emin ol.
Link to this sectionTemel Özellikler#
- xView, 60 sınıf genelinde 1 milyondan fazla nesne örneği içerir.
- Veri kümesi 0,3 metrelik bir çözünürlüğe sahiptir ve çoğu halka açık uydu görüntüsü veri kümesinden daha yüksek çözünürlüklü görüntüler sunar.
- xView, sınırlayıcı kutu ek açıklamasına sahip küçük, nadir, ince taneli ve çok tipli nesnelerden oluşan çeşitli bir koleksiyona sahiptir.
- TensorFlow nesne algılama API'sini kullanan önceden eğitilmiş bir temel model ve PyTorch için bir örnekle birlikte gelir.
Link to this sectionVeri Kümesi Yapısı#
xView veri kümesi, WorldView-3 uydularından 0,3 metre yer örnekleme mesafesinde toplanan uydu görüntülerinden oluşur. 1.400 km²'den fazla görüntü içinde 60 sınıf genelinde 1 milyondan fazla nesne içerir. Veri kümesi, özellikle uzaktan algılama uygulamaları ve çevresel izleme için değerlidir.
Link to this sectionUygulamalar#
xView veri kümesi, havadan görüntülemede nesne algılama için derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Veri kümesinin çeşitli nesne sınıfları ve yüksek çözünürlüklü görüntüleri, bilgisayarlı görü alanındaki araştırmacılar ve uygulayıcılar için, özellikle uydu görüntüsü analizi için değerli bir kaynaktır. Uygulamalar şunları içerir:
- Askeri ve savunma keşifleri
- Kentsel planlama ve kalkınma
- Çevresel izleme
- Afet müdahalesi ve değerlendirmesi
- Altyapı haritalama ve yönetimi
Link to this sectionVeri Kümesi YAML#
Bir YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. xView veri kümesi söz konusu olduğunda, xView.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/xView.yaml adresinde tutulur.
# 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 sectionKullanım#
xView veri kümesi üzerinde 640 görüntü boyutu ile 100 dönem (epoch) boyunca bir model eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut bağımsız değişkenlerin kapsamlı bir listesi için model Eğitim sayfasına başvur.
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)Link to this sectionÖrnek Veriler ve Etiketler#
xView veri kümesi, sınırlayıcı kutular kullanılarak etiketlenmiş çeşitli nesnelere sahip yüksek çözünürlüklü uydu görüntüleri içerir. İşte veri kümesinden verilerin ve bunlara karşılık gelen açıklamaların bazı örnekleri:
- Havadan Görüntüleme: Bu görüntü, nesnelerin sınırlayıcı kutularla işaretlendiği havadan görüntülemede nesne algılama örneğini göstermektedir. Veri kümesi, bu görev için modellerin geliştirilmesini kolaylaştırmak amacıyla yüksek çözünürlüklü uydu görüntüleri sağlar.
Bu örnek, xView veri kümesindeki verilerin çeşitliliğini ve karmaşıklığını sergilemekte ve nesne algılama görevleri için yüksek kaliteli uydu görüntülerinin önemini vurgulamaktadır.
Link to this sectionİlgili Veri Kümeleri#
Uydu görüntüleri ile çalışıyorsan, bu ilgili veri kümelerini keşfetmekle de ilgilenebilirsin:
- DOTA-v2: Hava görüntülerinde yönlendirilmiş nesne algılama için bir veri kümesi
- VisDrone: Drone ile çekilmiş görüntülerde nesne algılama ve izleme için bir veri kümesi
- Argoverse: 3D izleme etiketlerine sahip otonom sürüş için bir veri kümesi
Link to this sectionAlıntılar 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}
}Savunma İnovasyon Birimi'ne (DIU) ve xView veri kümesinin yaratıcılarına, bilgisayarlı görü araştırma topluluğuna sağladıkları değerli katkılardan dolayı teşekkür ederiz. xView veri kümesi ve yaratıcıları hakkında daha fazla bilgi için xView veri kümesi web sitesini ziyaret et.
Link to this sectionSSS#
Link to this sectionxView veri kümesi nedir ve bilgisayarlı görü araştırmalarına nasıl fayda sağlar?#
xView veri kümesi, 60 sınıf genelinde 1 milyondan fazla nesne örneği içeren, halka açık en büyük yüksek çözünürlüklü havadan görüntüleme koleksiyonlarından biridir. Algılama için minimum çözünürlüğü düşürmek, öğrenme verimliliğini artırmak, daha fazla nesne sınıfı keşfetmek ve ince taneli nesne algılamayı ilerletmek gibi bilgisayarlı görü araştırmalarının çeşitli yönlerini geliştirmek için tasarlanmıştır.
Link to this sectionxView veri kümesinde bir modeli eğitmek için Ultralytics YOLO'yu nasıl kullanabilirim?#
xView veri kümesinde Ultralytics YOLO kullanarak bir model eğitmek için şu adımları izle:
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 bağımsız değişkenler ve ayarlar için model Eğitim sayfasına başvur.
Link to this sectionxView veri kümesinin temel özellikleri nelerdir?#
xView veri kümesi, kapsamlı özellik seti sayesinde öne çıkar:
- 60 farklı sınıf genelinde 1 milyondan fazla nesne örneği.
- 0,3 metrede yüksek çözünürlüklü görüntüleme.
- Hepsi sınırlayıcı kutularla işaretlenmiş küçük, nadir ve ince taneli nesneler dahil olmak üzere çeşitli nesne türleri.
- TensorFlow ve PyTorch'ta önceden eğitilmiş bir temel modelin ve örneklerin kullanılabilirliği.
Link to this sectionxView veri kümesi yapısı nedir ve nasıl etiketlenmiştir?#
xView veri kümesi, WorldView-3 uyduları tarafından 0,3m yer örnekleme mesafesinde çekilen, yaklaşık 1.400 km²'lik etiketli görüntü içindeki 60 farklı sınıf genelinde 1 milyondan fazla nesneyi kapsayan yüksek çözünürlüklü uydu görüntüleri içerir. Her nesne sınırlayıcı kutularla etiketlenmiştir, bu da veri kümesini havadan görünümlerde nesne algılama için derin öğrenme modellerini eğitmek ve değerlendirmek için oldukça uygun hale getirir. Ayrıntılı bir döküm için Veri Kümesi Yapısı bölümüne başvur.
Link to this sectionxView veri kümesini araştırmamda nasıl atıfta bulunurum?#
xView veri kümesini araştırmanda 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}
}xView veri kümesi hakkında daha fazla bilgi için resmi xView veri kümesi web sitesini ziyaret et.