xView Veri Kümesi
xView veri seti, sınırlayıcı kutular kullanılarak etiketlenmiş, dünyanın dört bir yanındaki karmaşık sahnelerden görüntüler içeren, kamuya açık en büyük havadan görüntü veri setlerinden biridir. xView veri setinin amacı, dört bilgisayar görüşü alanındaki ilerlemeyi hızlandırmaktır:
- Algılama için minimum çözünürlüğü azaltın.
- Öğrenme verimliliğini artırın.
- Daha fazla nesne sınıfının keşfedilmesini sağlayın.
- İnce taneli sınıfların tespitini iyileştirin.
xView, Bağlamdaki Ortak Nesneler (COCO) gibi zorlukların başarısı üzerine inşa edilmiştir ve görsel dünyayı yeni yollarla anlamak ve bir dizi önemli uygulamayı ele almak için uzaydan elde edilen mevcut görüntü miktarını analiz etmek için bilgisayar görüşünden yararlanmayı amaçlamaktadır.
Manuel İndirme Gerekli
xView veri kümesi, Ultralytics komut dosyaları tarafından otomatik olarak indirilmez. Veri kümesini önce resmi kaynaktan manuel olarak indirmeniz gerekir:
- Kaynak: ABD Ulusal Coğrafi İstihbarat Ajansı (NGA) tarafından düzenlenen DIUx xView 2018 Yarışması
- URL: https://challenge.xviewdataset.org
Önemli: Gerekli dosyaları indirdikten sonra (örneğin, train_images.tif, val_images.tif, xView_train.geojson), bunları çıkarmanız ve tipik olarak bir dizin altında beklenen doğru dizin yapısına yerleştirmeniz gerekir datasets/xView/ klasörü, önce aşağıda verilen eğitim komutlarını çalıştırma. Veri kümesinin, yarışma talimatlarına göre doğru şekilde ayarlandığından emin olun.
Temel Özellikler
- xView, 60 sınıf arasında 1 milyondan fazla nesne örneği içerir.
- Veri kümesi, çoğu kamuya açık uydu görüntüleme veri kümesinden daha yüksek çözünürlüklü görüntüler sağlayan 0,3 metre çözünürlüğe sahiptir.
- xView, sınırlayıcı kutu açıklamasıyla küçük, nadir, ince taneli ve çok türde nesnelerden oluşan çeşitli bir koleksiyona sahiptir.
- TensorFlow nesne algılama API'sini kullanan önceden eğitilmiş bir temel model ve PyTorch için bir örnekle birlikte gelir.
Veri Seti Yapısı
xView veri seti, 0,3 m yer örnekleme mesafesinde WorldView-3 uydularından toplanan uydu görüntülerinden oluşmaktadır. 1.400 km²'den fazla görüntüde 60 sınıfta 1 milyondan fazla nesne içermektedir. Veri seti, özellikle uzaktan algılama uygulamaları ve çevre izleme için değerlidir.
Uygulamalar
xView veri seti, havadan çekilmiş görüntülerde nesne algılama için derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Veri setinin çeşitli nesne sınıfları ve yüksek çözünürlüklü görüntüleri, onu bilgisayar görüşü alanındaki araştırmacılar ve uygulayıcılar için, özellikle uydu görüntüleri analizi için değerli bir kaynak haline getirmektedir. Uygulamalar şunları içerir:
- Askeri ve savunma keşifleri
- Şehir planlaması ve geliştirme
- Çevresel izleme
- Afet müdahalesi ve değerlendirmesi
- Altyapı haritalama ve yönetimi
Veri Seti YAML
Bir YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında bilgiler içerir. xView veri kümesi örneğinde, xView.yaml dosyası şu adreste tutulur: 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 tqdm 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")
Kullanım
xView veri kümesi üzerinde 640 görüntü boyutuyla 100 epok için bir model eğitmek için, aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.
Eğitim Örneği
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
Örnek Veri ve Açıklamalar
xView veri kümesi, sınırlayıcı kutular kullanılarak açıklanmış çeşitli nesneler içeren yüksek çözünürlüklü uydu görüntüleri içerir. İşte veri kümesinden bazı veri örnekleri ve bunlara karşılık gelen açıklamaları:
- Havadan Görüntüler: Bu görüntü, nesnelerin sınırlayıcı kutularla işaretlendiği havadan görüntülerde bir nesne tespiti örneğini göstermektedir. Veri seti, bu görev için modellerin geliştirilmesini kolaylaştırmak amacıyla yüksek çözünürlüklü uydu görüntüleri sağlar.
Örnek, xView veri setindeki verilerin çeşitliliğini ve karmaşıklığını sergilemekte ve nesne algılama görevleri için yüksek kaliteli uydu görüntülerinin önemini vurgulamaktadır.
İlgili Veri Kümeleri
Uydu görüntüleriyle çalışıyorsanız, bu ilgili veri kümelerini keşfetmekle de ilgilenebilirsiniz:
- 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 ek açıklamalarıyla otonom sürüş için bir veri kümesi
Alıntılar ve Teşekkürler
Araştırma veya geliştirme çalışmalarınızda xView veri kümesini 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}
}
Bilgisayarla görü araştırma topluluğuna yaptıkları değerli katkılardan dolayı Savunma İnovasyon Birimi'ne (DIU) ve xView veri kümesinin yaratıcılarına teşekkür etmek isteriz. xView veri kümesi ve yaratıcıları hakkında daha fazla bilgi için xView veri kümesi web sitesini ziyaret edin.
SSS
xView veri seti nedir ve bilgisayarlı görü araştırmalarına nasıl fayda sağlar?
xView veri seti, 60 sınıfta 1 milyondan fazla nesne örneği içeren, yüksek çözünürlüklü havadan görüntülerin kamuya açık en büyük koleksiyonlarından biridir. Algılama için minimum çözünürlüğü azaltmak, öğrenme verimliliğini artırmak, daha fazla nesne sınıfı keşfetmek ve ince taneli nesne algılamayı geliştirmek gibi bilgisayar görüşü araştırmasının çeşitli yönlerini geliştirmek için tasarlanmıştır.
xView veri kümesi üzerinde bir model eğitmek için Ultralytics YOLO'yu nasıl kullanabilirim?
Ultralytics YOLO kullanarak xView veri kümesi üzerinde bir model eğitmek için şu adımları izleyin:
Eğitim Örneği
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
Ayrıntılı argümanlar ve ayarlar için model Eğitim sayfasına bakın.
xView veri kümesinin temel özellikleri nelerdir?
xView veri kümesi, kapsamlı özellik seti nedeniyle öne çıkmaktadır:
- 60 farklı sınıfta 1 milyondan fazla nesne örneği.
- 0.3 metrede yüksek çözünürlüklü görüntüler.
- Küçük, nadir ve ince detaylı nesneler de dahil olmak üzere çeşitli nesne türleri, hepsi sınırlayıcı kutularla işaretlenmiştir.
- TensorFlow ve PyTorch'ta önceden eğitilmiş bir temel modelin ve örneklerin bulunabilirliği.
xView'in veri seti yapısı nedir ve nasıl etiketlenir?
xView veri kümesi, WorldView-3 uyduları tarafından 0,3 m yer örnekleme mesafesinde yakalanan yüksek çözünürlüklü uydu görüntülerini içerir ve yaklaşık 1.400 km²'lik açıklama eklenmiş görüntü içinde 60 ayrı sınıfta 1 milyondan fazla nesneyi kapsar. Her nesne sınırlandırıcı kutularla etiketlenmiştir, bu da veri kümesini havadan görüntülerde nesne algılama için derin öğrenme modellerini eğitmek ve değerlendirmek için oldukça uygun hale getirir. Ayrıntılı bir döküm için Veri Kümesi Yapısı bölümüne başvurun.
xView veri setini araştırmamda nasıl kaynak gösteririm?
Araştırmanızda xView veri kümesini 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 kümesi hakkında daha fazla bilgi için, resmi xView veri kümesi web sitesini ziyaret edin.
