xView Veri Kümesi
xView veri kümesi, sınırlayıcı kutular kullanılarak açıklanan dünyanın dört bir yanındaki karmaşık sahnelerden görüntüler içeren, halka açık en büyük baş üstü görüntü veri kümelerinden biridir. xView veri setinin amacı, dört bilgisayarla görme sınırında ilerlemeyi hızlandırmaktır:
- Algılama için minimum çözünürlüğü azaltın.
- Öğrenme verimliliğini artırın.
- Daha fazla nesne sınıfının keşfini etkinleştirin.
- İnce taneli sınıfların tespitini iyileştirin.
xView, Common Objects in Context (COCO) gibi zorlukların başarısı üzerine inşa edilmiştir ve görsel dünyayı yeni yollarla anlamak ve bir dizi önemli uygulamayı ele almak için uzaydan gelen mevcut görüntülerin artan miktarını analiz etmek için bilgisayarla görmeden yararlanmayı amaçlamaktadır.
Temel Özellikler
- xView, 60 sınıfta 1 milyondan fazla nesne örneği içerir.
- Veri seti 0,3 metre çözünürlüğe sahiptir ve çoğu kamuya açık uydu görüntüsü veri setinden daha yüksek çözünürlüklü görüntüler sağlar.
- 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 bir örnek ile birlikte gelir. PyTorch.
Veri Kümesi Yapısı
xView veri seti, WorldView-3 uydularından 0,3 m yer örnekleme mesafesiyle toplanan uydu görüntülerinden oluşmaktadır. 1.400 km²'den fazla görüntüde 60 sınıfta 1 milyondan fazla nesne içerir.
Uygulamalar
xView veri kümesi, baş üstü görüntülerde nesne tespiti için derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Veri setinin çok çeşitli nesne sınıfları ve yüksek çözünürlüklü görüntüleri, onu bilgisayarla görme alanındaki araştırmacılar ve uygulayıcılar için, özellikle de uydu görüntülerinin analizi için değerli bir kaynak haline getirmektedir.
Veri Kümesi YAML
Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. xView veri kümesi söz konusu olduğunda xView.yaml dosyası şu adreste tutulur 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')
Kullanım
Bir modeli 640 görüntü boyutuyla 100 epok için xView veri kümesi üzerinde eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.
Tren Örneği
Örnek Veriler ve Açıklamalar
xView veri kümesi, sınırlayıcı kutular kullanılarak açıklama eklenmiş çeşitli nesneler içeren yüksek çözünürlüklü uydu görüntüleri içerir. İşte veri kümesinden bazı veri örnekleri ve bunlara karşılık gelen ek açıklamalar:
- Tepegöz Görüntüleri: Bu görüntü, nesnelerin sınırlayıcı kutularla açıklandığı havai görüntülerde nesne tespitinin bir örneğini göstermektedir. Veri seti, bu görev için modellerin geliştirilmesini kolaylaştırmak üzere yüksek çözünürlüklü uydu görüntüleri sağlamaktadır.
Bu örnek, xView veri setindeki verilerin çeşitliliğini ve karmaşıklığını ortaya koymakta ve nesne algılama görevleri için yüksek kaliteli uydu görüntülerinin önemini vurgulamaktadır.
Atıflar ve Teşekkür
Araştırma veya geliştirme çalışmalarınızda xView veri setini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:
@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 setinin yaratıcılarına bilgisayarla görme araştırma topluluğuna yaptıkları değerli katkılardan dolayı teşekkür ederiz. xView veri seti ve yaratıcıları hakkında daha fazla bilgi için xView veri seti web sitesini ziyaret edin.
SSS
xView veri seti nedir ve bilgisayarla görme araştırmalarına nasıl fayda sağlar?
xView veri seti, 60 sınıfta 1 milyondan fazla nesne örneği içeren, yüksek çözünürlüklü baş üstü görüntülerinin kamuya açık en büyük koleksiyonlarından biridir. Algılama için minimum çözünürlüğü azaltmak, öğrenme verimliliğini artırmak, daha fazla nesne sınıfı keşfetmek ve ince taneli nesne algılamayı ilerletmek gibi bilgisayarla görme araştırmalarının çeşitli yönlerini geliştirmek için tasarlanmıştır.
xView veri kümesi üzerinde bir modeli eğitmek için Ultralytics YOLO adresini nasıl kullanabilirim?
Ultralytics YOLO adresini kullanarak xView veri kümesi üzerinde bir modeli eğitmek için aşağıdaki adımları izleyin:
Tren Örneği
Ayrıntılı argümanlar ve ayarlar için model Eğitim sayfasına bakın.
xView veri setinin temel özellikleri nelerdir?
xView veri seti, kapsamlı özellik seti nedeniyle öne çıkmaktadır:
- 60 farklı sınıfta 1 milyondan fazla nesne örneği.
- Yüksek çözünürlüklü 0,3 metre görüntüler.
- Küçük, nadir ve ince taneli nesneler de dahil olmak üzere çeşitli nesne türleri, hepsi sınırlayıcı kutularla açıklanmıştır.
- Önceden eğitilmiş bir temel modelin ve örneklerin kullanılabilirliği TensorFlow ve PyTorch.
xView'in veri kümesi yapısı nedir ve nasıl açıklanır?
xView veri seti, WorldView-3 uydularından 0,3 m yer örnekleme mesafesiyle toplanan yüksek çözünürlüklü uydu görüntülerinden oluşmaktadır. Yaklaşık 1.400 km²'lik görüntüde 60 sınıfta 1 milyondan fazla nesneyi kapsamaktadır. Veri kümesindeki her nesne, sınırlayıcı kutularla açıklanmıştır; bu da onu, baş üstü görüntülerde nesne algılamaya yönelik derin öğrenme modellerini eğitmek ve değerlendirmek için ideal hale getirmektedir. Ayrıntılı bir genel bakış için veri kümesi yapısı bölümüne buradan bakabilirsiniz.
Araştırmamda xView veri setinden nasıl alıntı yapabilirim?
Araştırmanızda xView veri setini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:
@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 seti hakkında daha fazla bilgi için resmi xView veri seti web sitesini ziyaret edin.
