Sayfayı GitHub üzerinde düzenle (EN)

xView Veri Kümesi

The xView dataset is one of the largest publicly available datasets of overhead imagery, containing images from complex scenes around the world annotated using bounding boxes. The goal of the xView dataset is to accelerate progress in four computer vision frontiers:

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

xView, Common Objects in Context (COCO) gibi zorlu görevlerin başarısı üzerine kurulmuştur ve görsel dünyayı yeni yollarla anlamak ve bir dizi önemli uygulamayı ele almak amacıyla uzaydan gelen, sürekli artan görüntü miktarını analiz etmek için bilgisayarlı görüden yararlanmayı hedefler.

Manuel İndirme Gereklidir

xView veri kümesi, Ultralytics betikleri tarafından otomatik olarak indirilmez. Veri kümesini öncelikle resmi kaynaktan manuel olarak indirmen gerekir:

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 bir datasets/xView/ klasörü altında beklenen doğru dizin yapısına yerleştirmen gerekir. Veri kümesinin, yarışma talimatlarına göre düzgün bir şekilde kurulduğundan emin ol.

Temel 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 sağlar.
  • xView; küçük, nadir, ince taneli ve çok tipli nesnelerden oluşan çeşitli bir koleksiyonu sınırlayıcı kutu etiketleriyle sunar.
  • TensorFlow nesne algılama API'sini kullanan önceden eğitilmiş bir temel model ve PyTorch için bir örnek ile gelir.

Veri Kümesi Yapısı

xView veri kümesi, 0,3 m yer örnekleme mesafesinde WorldView-3 uydularından toplanan uydu görüntülerinden oluşur. 1.400 km²'den fazla görüntü içinde 60 sınıf genelinde 1 milyondan fazla nesne içerir. Veri kümesi, uzaktan algılama uygulamaları ve çevresel izleme için özellikle değerlidir.

Uygulamalar

xView veri kümesi, havadan görüntülemede nesne tespiti için derin öğrenme modellerinin eğitilmesi ve değerlendirilmesi için yaygın olarak kullanılır. Veri kümesinin çeşitli nesne sınıfları ve yüksek çözünürlüklü görüntüleri, onu bilgisayarlı görü alanındaki araştırmacılar ve uygulayıcılar için, özellikle uydu görüntüsü analizi konusunda değerli bir kaynak haline getirir. Uygulama alanları şunlardır:

  • Askeri ve savunma keşifleri
  • Şehir planlama ve kalkınma
  • Çevresel izleme
  • Afet müdahalesi ve değerlendirme
  • Altyapı haritalama ve yönetimi

Veri Kümesi YAML Dosyası

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Dosya; veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında bilgiler içerir. xView veri kümesi söz konusu olduğunda, xView.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/xView.yaml adresinde tutulmaktadır.

ultralytics/cfg/datasets/xView.yaml
# 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. Mevcut argümanların kapsamlı bir listesi için Eğitim sayfası modeline bak.

Eğitim Örneği
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)

Örnek Veriler ve Açıklamalar

xView veri kümesi, sınırlayıcı kutular kullanılarak etiketlenmiş çeşitli nesnelere sahip yüksek çözünürlüklü uydu görüntüleri içerir. İşte veri kümesinden alınan bazı verilerin ve bunlara karşılık gelen etiketlerin örnekleri:

xView veri kümesi havadan uydu görüntüsü nesne tespiti

  • Havadan Görüntüleme: Bu görsel, nesnelerin sınırlayıcı kutularla etiketlendiği, havadan görüntülemede nesne tespiti örneğini göstermektedir. Veri kümesi, bu görev için model geliştirilmesini kolaylaştırmak amacıyla yüksek çözünürlüklü uydu görüntüleri sağlar.

Örnek, xView veri kümesindeki verilerin çeşitliliğini ve karmaşıklığını sergiliyor ve nesne tespiti görevleri için yüksek kaliteli uydu görüntülerinin önemini vurguluyor.

İlgili Veri Kümeleri

Eğer uydu görüntüleriyle çalışıyorsan, bu ilgili veri kümelerini keşfetmek de ilgini çekebilir:

  • DOTA-v2: Hava görüntülerinde yönelimli nesne tespiti için bir veri kümesi
  • VisDrone: Drone ile çekilmiş görüntülerde nesne tespiti ve takibi için bir veri kümesi
  • Argoverse: 3D takip etiketlerine sahip otonom sürüş için bir veri kümesi

Alıntılar ve Teşekkür

xView veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen şu makaleyi referans göster:

Alıntı
@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) kurumuna 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.

SSS

xView 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. Tespit için minimum çözünürlüğü düşürmek, öğrenme verimliliğini artırmak, daha fazla nesne sınıfı keşfetmek ve ince taneli nesne tespitini ilerletmek gibi bilgisayarlı görü araştırmalarının çeşitli yönlerini geliştirmek için tasarlanmıştır.

xView veri kümesinde bir model eğitmek için Ultralytics YOLO'yu nasıl kullanabilirim?

Ultralytics YOLO kullanarak xView veri kümesinde bir model eğitmek için şu adımları izle:

Eğitim Örneği
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 Eğitim sayfası modeline bak.

xView veri kümesinin temel özellikleri nelerdir?

xView veri kümesi, kapsamlı özellikleri sayesinde öne çıkıyor:

  • 60 farklı sınıf genelinde 1 milyondan fazla nesne örneği.
  • 0,3 metrede yüksek çözünürlüklü görüntüleme.
  • Küçük, nadir ve ince taneli nesneler dahil olmak üzere, tamamı sınırlayıcı kutularla etiketlenmiş çeşitli nesne türleri.
  • TensorFlow ve PyTorch'ta önceden eğitilmiş bir temel modelin ve örneklerin kullanılabilirliği.

xView veri kümesinin yapısı nedir ve nasıl etiketlenmiştir?

xView veri kümesi, yaklaşık 1.400 km²'lik etiketli görüntü içindeki 60 farklı sınıf genelinde 1 milyondan fazla nesneyi kapsayan, 0,3 m yer örnekleme mesafesinde WorldView-3 uyduları tarafından çekilmiş yüksek çözünürlüklü uydu görüntüleri içerir. Her nesne sınırlayıcı kutularla etiketlenmiştir, bu da veri kümesini havadan görüntülerde nesne tespiti için derin öğrenme modellerinin eğitilmesi ve değerlendirilmesi için son derece uygun hale getirir. Ayrıntılı döküm için Veri Kümesi Yapısı bölümüne bak.

xView veri kümesini araştırmamda nasıl referans gösteririm?

Eğer xView veri kümesini araştırmanda kullanıyorsan, lütfen şu makaleyi referans göster:

Alıntı
@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.

Contributors
Sayfayı GitHub üzerinde düzenle (EN)
GLglenn-jocher16PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1JKjk4e1

Yorumlar