انتقل إلى المحتوى

مجموعة بيانات DOTA8

مقدمة

Ultralytics DOTA8 is a small, but versatile oriented object detection dataset composed of the first 8 images of 8 images of the split DOTAv1 set, 4 for training and 4 for validation. This dataset is ideal for testing and debugging object detection models, or for experimenting with new detection approaches. With 8 images, it is small enough to be easily manageable, yet diverse enough to test training pipelines for errors and act as a sanity check before training larger datasets.

This dataset is intended for use with Ultralytics HUB and YOLO11.

مجموعة البيانات YAML

يتم استخدام ملف YAML (لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. يحتوي على معلومات حول مسارات مجموعة البيانات والفئات والمعلومات الأخرى ذات الصلة. في حالة مجموعة بيانات DOTA8 ، فإن dota8.yaml يتم الاحتفاظ بالملف في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.

ultralytics/cfg/datasets/dota8.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 license
# DOTA8 dataset 8 images from split DOTAv1 dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota8/
# Example usage: yolo train model=yolov8n-obb.pt data=dota8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dota8  ← downloads here (1MB)

# 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/dota8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images

# Classes for DOTA 1.0
names:
  0: plane
  1: ship
  2: storage tank
  3: baseball diamond
  4: tennis court
  5: basketball court
  6: ground track field
  7: harbor
  8: bridge
  9: large vehicle
  10: small vehicle
  11: helicopter
  12: roundabout
  13: soccer ball field
  14: swimming pool

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/dota8.zip

استخدام

To train a YOLO11n-obb model on the DOTA8 dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

مثال القطار

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolo11n-obb.pt epochs=100 imgsz=640

عينة من الصور والتعليقات التوضيحية

فيما يلي بعض الأمثلة على الصور من مجموعة بيانات DOTA8 ، إلى جانب التعليقات التوضيحية المقابلة لها:

صورة عينة مجموعة البيانات

  • صورة فسيفسائية: توضح هذه الصورة دفعة تدريب مكونة من صور مجموعة بيانات فسيفسائية. الفسيفساء هي تقنية تستخدم أثناء التدريب تجمع بين صور متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام الكائنات المختلفة ونسب العرض إلى الارتفاع والسياقات.

يعرض المثال تنوع وتعقيد الصور في مجموعة بيانات DOTA8 وفوائد استخدام الفسيفساء أثناء عملية التدريب.

الاستشهادات والشكر

إذا كنت تستخدم مجموعة بيانات DOTA في أعمال البحث أو التطوير الخاصة بك ، فيرجى الاستشهاد بالورقة التالية:

@article{9560031,
  author={Ding, Jian and Xue, Nan and Xia, Gui-Song and Bai, Xiang and Yang, Wen and Yang, Michael and Belongie, Serge and Luo, Jiebo and Datcu, Mihai and Pelillo, Marcello and Zhang, Liangpei},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  title={Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges},
  year={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3117983}
}

ملاحظة خاصة للامتنان للفريق الذي يقف وراء مجموعات بيانات DOTA لجهودهم الجديرة بالثناء في تنظيم مجموعة البيانات هذه. للحصول على فهم شامل لمجموعة البيانات والفروق الدقيقة فيها ، يرجى زيارة موقع DOTA الرسمي.

الأسئلة المتداولة

ما هي مجموعة بيانات DOTA8 وكيف يمكن استخدامها؟

The DOTA8 dataset is a small, versatile oriented object detection dataset made up of the first 8 images from the DOTAv1 split set, with 4 images designated for training and 4 for validation. It's ideal for testing and debugging object detection models like Ultralytics YOLO11. Due to its manageable size and diversity, it helps in identifying pipeline errors and running sanity checks before deploying larger datasets. Learn more about object detection with Ultralytics YOLO11.

How do I train a YOLO11 model using the DOTA8 dataset?

To train a YOLO11n-obb model on the DOTA8 dataset for 100 epochs with an image size of 640, you can use the following code snippets. For comprehensive argument options, refer to the model Training page.

مثال القطار

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolo11n-obb.pt epochs=100 imgsz=640

ما هي الميزات الرئيسية لمجموعة بيانات DOTA وأين يمكنني الوصول إلى ملف YAML؟

تُعرف مجموعة بيانات DOTA بمعيارها واسع النطاق والتحديات التي تمثلها للكشف عن الأجسام في الصور الجوية. مجموعة بيانات DOTA8 الفرعية هي مجموعة بيانات أصغر حجمًا ويمكن التحكم فيها وهي مثالية للاختبارات الأولية. يمكنك الوصول إلى dota8.yaml الذي يحتوي على المسارات والفئات وتفاصيل التكوين، في هذا الملف رابط GitHub.

كيف يعزز الفسيفساء تدريب النموذج باستخدام مجموعة بيانات DOTA8؟

يدمج الفسيفساء صورًا متعددة في صورة واحدة أثناء التدريب، مما يزيد من تنوع الكائنات والسياقات داخل كل دفعة. يعمل ذلك على تحسين قدرة النموذج على التعميم على مختلف أحجام الأجسام ونسب الأبعاد والمشاهد. يمكن توضيح هذه التقنية بصريًا من خلال مجموعة تدريب مكونة من صور مجموعة بيانات DOTA8 الموزعة بالفسيفساء، مما يساعد في تطوير نموذج قوي. استكشف المزيد عن تقنيات الفسيفساء والتدريب على صفحة التدريب الخاصة بنا.

Why should I use Ultralytics YOLO11 for object detection tasks?

Ultralytics YOLO11 provides state-of-the-art real-time object detection capabilities, including features like oriented bounding boxes (OBB), instance segmentation, and a highly versatile training pipeline. It's suitable for various applications and offers pretrained models for efficient fine-tuning. Explore further about the advantages and usage in the Ultralytics YOLO11 documentation.

📅 Created 9 months ago ✏️ Updated 22 days ago
ألترالتيكسيستانتست غلين-جوتشر MatthewNoyce رضوان منور الضحك-ف

التعليقات