DOTA8-Datensatz
EinfĂŒhrung
Ultralytics DOTA8 ist ein kleiner, aber vielseitiger orientierter Objektdatensatz, der aus den ersten 8 Bildern der 8 Bilder des geteilten DOTAv1-Satzes besteht, 4 fĂŒr das Training und 4 fĂŒr die Validierung. Dieser Datensatz ist ideal zum Testen und Debuggen von Objekterkennungsmodellen oder zum Experimentieren mit neuen ErkennungsansĂ€tzen. Mit 8 Bildern ist er klein genug, um leicht handhabbar zu sein, und dennoch vielfĂ€ltig genug, um die Trainingspipelines auf Fehler zu testen und als Sicherheitscheck vor dem Training gröĂerer DatensĂ€tze zu dienen.
Dieser Datensatz ist fĂŒr die Verwendung mit Ultralytics HUB und YOLOv8.
Datensatz YAML
Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthĂ€lt Informationen ĂŒber die Pfade des Datensatzes, die Klassen und andere wichtige Informationen. Im Fall des DOTA8-Datensatzes ist die dota8.yaml
Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.
ultralytics/cfg/datasets/dota8.yaml
# Ultralytics YOLO đ, 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
# âââ ultralytics
# âââ datasets
# âââ dota8 â 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/yolov5/releases/download/v1.0/dota8.zip
Verwendung
Um ein YOLOv8n-obb Modell auf dem DOTA8-Datensatz fĂŒr 100 Epochen mit einer BildgröĂe von 640 zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfĂŒgbaren Argumente findest du auf der Seite Modelltraining.
Beispiel fĂŒr einen Zug
Beispielbilder und Anmerkungen
Hier sind einige Beispiele fĂŒr Bilder aus dem DOTA8-Datensatz, zusammen mit den entsprechenden Anmerkungen:
- Mosaikbild: Dieses Bild zeigt einen Trainingsstapel, der aus Mosaikbildern des Datensatzes besteht. Beim Mosaikieren werden mehrere Bilder zu einem einzigen Bild zusammengefĂŒgt, um die Vielfalt der Objekte und Szenen in jedem Trainingsstapel zu erhöhen. Dadurch wird die FĂ€higkeit des Modells verbessert, sich auf verschiedene ObjektgröĂen, SeitenverhĂ€ltnisse und Kontexte einzustellen.
Das Beispiel zeigt die Vielfalt und KomplexitÀt der Bilder im DOTA8-Datensatz und die Vorteile der Mosaikbildung im Trainingsprozess.
Zitate und Danksagungen
Wenn du den DOTA-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Papier:
@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 geht an das Team hinter den DOTA-DatensĂ€tzen fĂŒr ihre lobenswerte Arbeit bei der Erstellung dieses Datensatzes. FĂŒr ein umfassendes VerstĂ€ndnis des Datensatzes und seiner Feinheiten besuche bitte die offizielle DOTA-Website.