xView数据集
xView数据集是公开的航拍图像数据集中最大的之一，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进展：
- 降低检测的最小分辨率。
- 提高学习效率。
- 实现更多对象类别的发现。
- 改进细粒度类别的检测。
xView建立在Common Objects in Context (COCO)等挑战的成功基础上，旨在利用计算机视觉分析日益增多的可用空间图像，以新的方式理解视觉世界并解决一系列重要应用。
关键特性
- xView包含超过100万个对象实例，涵盖60个类别。
- 数据集的分辨率为0.3米，提供的图像分辨率高于大多数公开的卫星图像数据集。
- xView具有多样化的集合，包括小型、罕见、细粒度和多类型对象，并带有边界框标注。
- 附带使用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WorldView-3卫星在0.3米地面采样距离下收集的卫星图像组成。它包含超过100万个对象，涵盖60个类别，分布在超过1400平方公里的图像中。
应用
xView数据集广泛用于训练和评估航拍图像中目标检测的深度学习模型。数据集的多样化对象类别和高分辨率图像使其成为计算机视觉领域研究人员和从业者的宝贵资源，特别是在卫星图像分析方面。
数据集YAML
YAML（Yet Another Markup Language）文件用于定义数据集配置。它包含有关数据集路径、类别和其他相关信息。对于xView数据集，xView.yaml文件维护在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')
使用方法
要在xView数据集上训练模型100个epoch，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
样本数据和标注
xView数据集包含高分辨率卫星图像，带有使用边界框标注的多样化对象。以下是数据集中的一些示例数据及其相应的标注：
- 航拍图像：此图像展示了目标检测在航拍图像中的示例，其中对象使用边界框进行标注。数据集提供高分辨率卫星图像，以促进此类任务的模型开发。
该示例展示了xView数据集中数据的多样性和复杂性，并强调了高质量卫星图像在目标检测任务中的重要性。
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}
}
@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}
}
我们感谢国防创新单位（DIU）和xView数据集的创建者对计算机视觉研究社区的宝贵贡献。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
什么是xView数据集，它如何有益于计算机视觉研究？
xView数据集是公开可用的高分辨率航空影像的最大集合之一，包含超过100万个对象实例，涵盖60个类别。它旨在增强计算机视觉研究的各个方面，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
有关详细的参数和设置，请参阅模型训练页面。
xView数据集的关键特点是什么？
xView数据集因其全面的特点而脱颖而出：
- 超过100万个对象实例，涵盖60个不同的类别。
- 高分辨率影像，分辨率为0.3米。
- 多样化的对象类型，包括小型、罕见和细粒度对象，均带有边界框标注。
- 提供预训练的基线模型和TensorFlow及PyTorch中的示例。
xView数据集的结构是什么，它是如何标注的？
xView数据集包含从WorldView-3卫星收集的高分辨率卫星图像，地面采样距离为0.3米。它涵盖了约1,400平方公里影像中的超过100万个对象，涵盖60个类别。数据集中的每个对象都带有边界框标注，非常适合用于训练和评估航空影像中对象检测的深度学习模型。有关详细概述，您可以查看此处的数据集结构部分。
如何在研究中引用xView数据集？
如果您在研究中使用了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。
📅 Created 11 months ago
✏️ Updated 13 days ago
