Link to this sectionDOTA8-Datensatz#
Link to this sectionEinführung#
Ultralytics DOTA8 ist ein kleiner, aber vielseitiger Datensatz für orientierte Objekterkennung, der aus den ersten 8 Bildern des aufgeteilten DOTAv1-Sets besteht (4 für das Training und 4 für die Validierung). Dieser Datensatz ist ideal zum Testen und Debuggen von Objekterkennungsmodellen oder zum Experimentieren mit neuen Erkennungsansätzen. Mit 8 Bildern ist er klein genug, um leicht handhabbar zu sein, und dennoch vielfältig genug, um Trainingspipelines auf Fehler zu prüfen und als Plausibilitätsprüfung vor dem Training größerer Datensätze zu dienen.
Link to this sectionDatensatzstruktur#
-
Bilder: 8 Luftbildkacheln (4 Train, 4 Val) aus DOTAv1.
-
Klassen: Erbt die 15 DOTAv1-Kategorien wie Flugzeug, Schiff und großes Fahrzeug.
-
Labels: Orientierte Begrenzungsrahmen im YOLO-Format, die als
.txt-Dateien neben jedem Bild gespeichert sind. -
Empfohlenes Layout:
datasets/dota8/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/
Dieser Datensatz ist für die Verwendung mit der Ultralytics Platform und YOLO26 konzipiert.
Link to this sectionDatensatz-YAML#
Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Dataset-Konfiguration zu definieren. Sie enthält Informationen über die Pfade, Klassen und weitere relevante Details des Datensatzes. Im Fall des DOTA8-Datensatzes wird die dota8.yaml-Datei unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml gepflegt.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# DOTA8 dataset (8 images from the DOTAv1 split) 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 (1 MB)
# 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: 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.zipLink to this sectionVerwendung#
Um ein YOLO26n-obb-Modell für 100 Epochen mit einer Bildgröße von 640 auf dem DOTA8-Datensatz zu trainieren, kannst du die folgenden Code-Schnipsel verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Training des Modells.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-obb.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)Link to this sectionBeispielbilder und Annotationen#
Hier sind einige Beispiele für Bilder aus dem DOTA8-Datensatz zusammen mit den entsprechenden Annotationen:
- Mosaik-Bild: Dieses Bild zeigt einen Trainings-Batch, der aus mosaikierten Datensatz-Bildern besteht. Mosaicing ist eine Technik, die während des Trainings verwendet wird, um mehrere Bilder zu einem einzigen Bild zu kombinieren, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches zu erhöhen. Dies trägt dazu bei, die Fähigkeit des Modells zu verbessern, auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte zu generalisieren.
Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im DOTA8-Datensatz und die Vorteile der Verwendung von Mosaicing während des Trainingsprozesses.
Link to this sectionZitate und Danksagungen#
Wenn du den DOTA-Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:
@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}
}Ein besonderer Dank gilt dem Team hinter den DOTA-Datensätzen für ihre lobenswerten Bemühungen bei der Kuratierung dieses Datensatzes. Für ein umfassendes Verständnis des Datensatzes und seiner Nuancen besuche bitte die offizielle DOTA-Website.
Link to this sectionFAQ#
Link to this sectionWas ist der DOTA8-Datensatz und wie kann er verwendet werden?#
Der DOTA8-Datensatz ist ein kleiner, vielseitiger Datensatz für orientierte Objekterkennung, bestehend aus den ersten 8 Bildern des aufgeteilten DOTAv1-Sets, mit 4 Bildern für das Training und 4 für die Validierung. Er ist ideal zum Testen und Debuggen von Objekterkennungsmodellen wie Ultralytics YOLO26. Aufgrund seiner handlichen Größe und Vielfalt hilft er dabei, Pipeline-Fehler zu identifizieren und Plausibilitätsprüfungen durchzuführen, bevor größere Datensätze eingesetzt werden. Erfahre mehr über Objekterkennung mit Ultralytics YOLO26.
Link to this sectionWie trainiere ich ein YOLO26-Modell mit dem DOTA8-Datensatz?#
Um ein YOLO26n-obb-Modell für 100 Epochen mit einer Bildgröße von 640 auf dem DOTA8-Datensatz zu trainieren, kannst du die folgenden Code-Schnipsel verwenden. Für umfassende Argumentoptionen schau bitte auf der Seite Training nach.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-obb.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)Link to this sectionWas sind die Hauptmerkmale des DOTA-Datensatzes und wo kann ich auf die YAML-Datei zugreifen?#
Der DOTA-Datensatz ist bekannt für sein groß angelegtes Benchmarking und die Herausforderungen, die er bei der Objekterkennung in Luftbildern darstellt. Das DOTA8-Subset ist ein kleinerer, handlicher Datensatz, der ideal für erste Tests ist. Du kannst auf die dota8.yaml-Datei, die Pfade, Klassen und Konfigurationsdetails enthält, über diesen GitHub-Link zugreifen.
Link to this sectionWie verbessert Mosaicing das Modelltraining mit dem DOTA8-Datensatz?#
Mosaicing kombiniert während des Trainings mehrere Bilder zu einem, was die Vielfalt der Objekte und Kontexte innerhalb jedes Batches erhöht. Dies verbessert die Fähigkeit des Modells, auf verschiedene Objektgrößen, Seitenverhältnisse und Szenen zu verallgemeinern. Diese Technik lässt sich visuell anhand eines Trainingsbatches demonstrieren, der aus mosaikierten DOTA8-Datensatzbildern besteht, was bei der robusten Modellentwicklung hilft. Entdecke mehr über Mosaicing und Trainingstechniken auf unserer Seite Training.
Link to this sectionWarum sollte ich Ultralytics YOLO26 für Objekterkennungsaufgaben verwenden?#
Ultralytics YOLO26 bietet hochmoderne Echtzeit-Objekterkennungsfunktionen, einschließlich Features wie orientierte Begrenzungsrahmen (OBB), Instanzsegmentierung und eine äußerst vielseitige Trainingspipeline. Es eignet sich für verschiedene Anwendungen und bietet vortrainierte Modelle für ein effizientes Fine-Tuning. Erfahre mehr über die Vorteile und die Verwendung in der Ultralytics YOLO26-Dokumentation.