xView 数据集
xView 数据集是公开可用的最大的高空图像数据集之一，包含来自世界各地复杂场景的图像，并使用边界框进行标注。xView 数据集的目标是加速四个计算机视觉前沿领域的发展：
- 降低检测的最小分辨率。
- 提高学习效率。
- 支持发现更多对象类别。
- 提高对细粒度类别的检测。
xView 建立在诸如 Common Objects in Context (COCO) 等挑战赛的成功之上，旨在利用计算机视觉分析太空中日益增长的可用图像，从而以新的方式理解视觉世界，并解决一系列重要的应用。
需要手动下载
Ultralytics 脚本不会自动下载 xView 数据集。您必须先从官方来源手动下载数据集：
- 来源： 美国国家地理空间情报局 (NGA) 的 DIUx xView 2018 挑战赛
- URL: https://challenge.xviewdataset.org
重要提示： 下载必要的文件后（例如， train_images.tif, val_images.tif, xView_train.geojson），您需要提取它们并将它们放入正确的目录结构中，通常应位于 datasets/xView/ 文件夹， 之前 运行下面提供的训练命令。确保按照挑战说明正确设置数据集。
主要功能
- xView 包含超过 100 万个对象实例，涵盖 60 个类别。
- 该数据集的分辨率为 0.3 米，比大多数公共卫星图像数据集提供更高的分辨率图像。
- xView 包含各种小型、稀有、细粒度和多类型的对象，并带有 边界框 注释。
- 带有一个使用 TensorFlow 对象检测 API 预训练的基线模型和一个 PyTorch 示例。
数据集结构
xView 数据集由从 WorldView-3 卫星收集的卫星图像组成，地面采样距离为 0.3 米。它包含超过 1400 平方公里的图像中超过 100 万个对象，分为 60 个类别。该数据集对于遥感应用和环境监测尤其有价值。
应用
xView 数据集广泛用于训练和评估用于架空图像中对象检测的 深度学习 模型。该数据集具有多样化的对象类别和高分辨率图像，使其成为计算机视觉领域（尤其是卫星图像分析）的研究人员和从业人员的宝贵资源。应用包括：
- 军事和国防侦察
- 城市规划与发展
- 环境监测
- 灾害响应与评估
- 基础设施测绘与管理
数据集 YAML
YAML（Yet Another Markup Language）文件用于定义数据集配置。它包含关于数据集的路径、类和其他相关信息。在 xView 数据集的情况下， xView.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/xView.yaml.
ultralytics/cfg/datasets/xView.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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: 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 ultralytics.utils import TQDM
from ultralytics.data.utils import autosplit
from ultralytics.utils.ops import xyxy2xywhn
def convert_labels(fname=Path("xView/xView_train.geojson")):
"""Converts xView geoJSON labels to YOLO format, mapping classes to indices 0-59 and saving 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(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", 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 {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")
用法
要在 xView 数据集上训练模型 100 个 epochs，图像大小为 640，您可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。
训练示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="xView.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=xView.yaml model=yolo11n.pt epochs=100 imgsz=640
样本数据和注释
xView 数据集包含高分辨率卫星图像，其中使用边界框注释了各种对象。以下是来自数据集的一些数据示例以及它们对应的注释：
- 俯视图像: 此图像演示了目标检测在俯视图像中的一个示例，其中目标用边界框进行注释。该数据集提供高分辨率卫星图像，以促进此任务的模型开发。
该示例展示了 xView 数据集中数据的多样性和复杂性，并突出了高质量卫星图像对于目标检测任务的重要性。
相关数据集
如果您正在处理卫星图像，您可能也会有兴趣探索以下相关数据集：
引用和致谢
如果您在研究或开发工作中使用 xView 数据集，请引用以下论文：
@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}
}
我们要感谢 国防创新部门 (DIU) 和 xView 数据集的创建者，他们为计算机视觉研究社区做出了宝贵贡献。 有关 xView 数据集及其创建者的更多信息，请访问 xView 数据集网站。
常见问题
xView 数据集是什么？它如何使计算机视觉研究受益？
xView 数据集是最大的公开可用的高分辨率高空图像集合之一，包含超过 60 个类别的 100 多万个对象实例。它旨在增强计算机视觉研究的各个方面，例如降低检测的最小分辨率、提高学习效率、发现更多对象类别以及推进细粒度对象检测。
如何使用 Ultralytics YOLO 在 xView 数据集上训练模型？
要使用 Ultralytics YOLO 在 xView 数据集上训练模型，请按照以下步骤操作：
训练示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="xView.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=xView.yaml model=yolo11n.pt epochs=100 imgsz=640
有关详细的参数和设置，请参阅模型训练页面。
xView 数据集的主要特点是什么？
xView 数据集因其全面的功能集而脱颖而出：
- 超过 100 万个对象实例，涵盖 60 个不同的类别。
- 0.3 米的高分辨率图像。
- 包含小型、稀有和精细物体在内的各种对象类型，全部使用边界框进行标注。
- TensorFlow 和 PyTorch 中预训练基线模型和示例的可用性。
xView 数据集的数据集结构是什么？它是如何被标注的？
xView 数据集包含由 WorldView-3 卫星以 0.3 米地面采样距离捕获的高分辨率卫星图像，覆盖约 1,400 平方公里的带注释图像中的 60 个不同类别中的超过 100 万个对象。每个对象都标有边界框，这使得该数据集非常适合训练和评估用于高空视图中目标检测的 深度学习 模型。有关详细信息，请参阅数据集结构部分。
如何在我的研究中引用 xView 数据集？
如果您的研究中使用了 xView 数据集，请引用以下论文：
@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}
}
有关 xView 数据集的更多信息，请访问官方 xView 数据集网站。
📅 创建于 1 年前
✏️ 更新于 4 个月前
