DOTA8-Datensatz

Einführung

Ultralytics DOTA8 ist ein kleiner, aber vielseitiger orientierter Objektdatensatz, der aus den ersten 8 Bildern der 8 Bilder des geteilten DOTAv1-Satzes 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 die Trainingspipelines auf Fehler zu testen und als Sicherheitscheck vor dem Training größerer Datensätze zu dienen.

Dieser Datensatz ist für 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 enthält Informationen über 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 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

Verwendung

Um ein YOLOv8n-obb Modell auf dem DOTA8-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-obb.pt epochs=100 imgsz=640

Beispielbilder und Anmerkungen

Hier sind einige Beispiele für 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 zusammengefügt, um die Vielfalt der Objekte und Szenen in jedem Trainingsstapel zu erhöhen. Dadurch wird die Fähigkeit des Modells verbessert, sich auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte einzustellen.

Das Beispiel zeigt die Vielfalt und Komplexität 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-Datensätzen für ihre lobenswerte Arbeit bei der Erstellung dieses Datensatzes. Für ein umfassendes Verständnis des Datensatzes und seiner Feinheiten besuche bitte die offizielle DOTA-Website.

FAQ

Was ist der DOTA8-Datensatz und wie kann er genutzt werden?

Der DOTA8-Datensatz ist ein kleiner, vielseitig orientierter Objekterkennungsdatensatz, der aus den ersten 8 Bildern des DOTAv1-Split-Sets besteht, wobei 4 Bilder für das Training und 4 für die Validierung vorgesehen sind. Er ist ideal zum Testen und Debuggen von Objekterkennungsmodellen wie Ultralytics YOLOv8 . Aufgrund ihrer überschaubaren Größe und Vielfalt hilft sie bei der Identifizierung von Pipeline-Fehlern und der Durchführung von Plausibilitätsprüfungen, bevor größere Datensätze eingesetzt werden. Erfahre mehr über die Objekterkennung mit Ultralytics YOLOv8.

Wie trainiere ich ein YOLOv8 Modell mit dem DOTA8-Datensatz?

Um ein YOLOv8n-obb Modell auf dem DOTA8-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Ausführliche Informationen zu den Argumenten findest du auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-obb.pt epochs=100 imgsz=640

Was sind die wichtigsten Merkmale des DOTA-Datensatzes und wo kann ich auf die YAML-Datei zugreifen?

Der DOTA-Datensatz ist bekannt für seine groß angelegten Benchmarks und die damit verbundenen Herausforderungen für die Objekterkennung in Luftbildern. Der DOTA8-Teilsatz ist ein kleinerer, überschaubarer Datensatz, der sich ideal für erste Tests eignet. Du kannst auf den dota8.yaml Datei, die Pfade, Klassen und Konfigurationsdetails enthält, an dieser GitHub-Link.

Wie verbessert die Mosaikbildung das Modelltraining mit dem DOTA8-Datensatz?

Beim Mosaikieren werden mehrere Bilder während des Trainings zu einem zusammengefasst, wodurch die Vielfalt der Objekte und Kontexte in jedem Stapel erhöht wird. Dies verbessert die Fähigkeit eines Modells, auf verschiedene Objektgrößen, Seitenverhältnisse und Szenen zu verallgemeinern. Diese Technik kann anhand eines Trainingsstapels aus Mosaikbildern des DOTA8-Datensatzes veranschaulicht werden und hilft bei der Entwicklung robuster Modelle. Mehr über Mosaikbildung und Trainingstechniken erfährst du auf unserer Trainingsseite.

Warum sollte ich Ultralytics YOLOv8 für Objekterkennungsaufgaben verwenden?

Ultralytics YOLOv8 bietet modernste Objekterkennungsfunktionen in Echtzeit, darunter Funktionen wie orientierte Bounding Boxes (OBB), Instanzsegmentierung und eine äußerst vielseitige Trainingspipeline. Sie ist für verschiedene Anwendungen geeignet und bietet vortrainierte Modelle für eine effiziente Feinabstimmung. Weitere Informationen zu den Vorteilen und der Nutzung findest du in der DokumentationUltralytics YOLOv8 .

Kommentare