Jeu de données DOTA avec OBB#
Le jeu de données DOTA est un banc d'essai à grande échelle pour la détection d'objets dans des images aériennes, publié en trois versions (v1.0, v1.5, v2.0) avec jusqu'à 1,7 million d'annotations Oriented Bounding Box (OBB) réparties sur 18 catégories, capturées à partir de divers capteurs et plateformes aériens.
Explore les jeux de données officiellement hébergés DOTA v1.5 et DOTA v1.0 sur la plateforme Ultralytics pour prévisualiser leurs annotations orientées, inspecter les statistiques et les cloner pour l'entraînement.
Fonctionnalités clés#
Watch: How to Train Ultralytics YOLO on the DOTA Dataset for Oriented Bounding Boxes in Google Colab
- Collection issue de divers capteurs et plateformes, avec des tailles d'images allant de 800 × 800 à 20 000 × 20 000 pixels.
- Comprend plus de 1,7 million de boîtes englobantes orientées dans 18 catégories.
- Permet la détection d'objets à plusieurs échelles grâce à la grande diversité de tailles d'objets par image.
- Les instances sont annotées par des experts à l'aide de quadrilatères arbitraires (8 d.o.f.), capturant des objets de différentes échelles, orientations et formes.
Versions du jeu de données#
DOTA-v1.0#
- Contient 15 catégories courantes.
- Comprend 2 806 images avec 188 282 instances.
- Ratios de répartition : 1/2 pour l'entraînement (1 411 images), 1/6 pour la validation (458 images) et 1/3 pour le test (937 images).
DOTA-v1.5#
- Intègre les mêmes images que DOTA-v1.0.
- Les très petites instances (moins de 10 pixels) sont également annotées.
- Ajout d'une nouvelle catégorie : "container crane" (grue à conteneurs).
- Un total de 403 318 instances.
- Publié pour le DOAI Challenge 2019 sur la détection d'objets dans les images aériennes.
DOTA-v2.0#
- Collections provenant de Google Earth, du satellite GF-2 et d'autres images aériennes.
- Contient 18 catégories courantes.
- Comprend 11 268 images avec un nombre impressionnant de 1 793 658 instances.
- Nouvelles catégories introduites : "airport" (aéroport) et "helipad" (héliport).
- Répartitions des images :
- Entraînement : 1 830 images avec 268 627 instances.
- Validation : 593 images avec 81 048 instances.
- Test-dev : 2 792 images avec 353 346 instances.
- Test-challenge : 6 053 images avec 1 090 637 instances.
Structure du jeu de données#
DOTA présente une mise en page structurée conçue pour les défis de détection d'objets OBB :
- Images : Une vaste collection d'images aériennes haute résolution capturant des terrains et des structures variés.
- Oriented Bounding Boxes : Annotations sous forme de rectangles pivotés englobant les objets indépendamment de leur orientation, idéales pour capturer des objets comme les avions, les navires et les bâtiments.
Applications#
DOTA sert de banc d'essai pour entraîner et évaluer des modèles spécifiquement conçus pour l'analyse d'images aériennes. Avec l'inclusion d'annotations OBB, il offre un défi unique, permettant le développement de modèles de détection d'objets spécialisés qui répondent aux nuances de l'imagerie aérienne. Le jeu de données est particulièrement précieux pour les applications de télédétection, de surveillance et de suivi environnemental.
YAML du jeu de données#
Un fichier YAML de dataset spécifie les racines des images/étiquettes, les noms des classes et d'autres métadonnées importantes. Ultralytics maintient des fichiers YAML officiels pour les deux versions les plus couramment utilisées :
Utilise le fichier YAML qui correspond à la version que tu as téléchargée, ou crée un YAML personnalisé si tu travailles avec DOTA-v2 ou un autre dérivé. Les deux versions se téléchargent automatiquement (2 Go) depuis les assets GitHub d'Ultralytics lors de ton premier entraînement.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# DOTA 1.0 dataset https://captain-whu.github.io/DOTA/index.html for object detection in aerial images by Wuhan University
# Documentation: https://docs.ultralytics.com/datasets/obb/dota-v2
# Example usage: yolo train model=yolov8n-obb.pt data=DOTAv1.yaml
# parent
# ├── ultralytics
# └── datasets
# └── DOTAv1 ← downloads here (2 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: DOTAv1 # dataset root dir
train: images/train # train images (relative to 'path') 1411 images
val: images/val # val images (relative to 'path') 458 images
test: images/test # test images (optional) 937 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/DOTAv1.zipDiviser les images DOTA#
L'imagerie brute dépasse régulièrement les 10 000 pixels de côté, le découpage en tuiles est donc nécessaire avant d'envoyer les données à YOLO. Utilise l'outil ci-dessous pour découper l'imagerie source en rognages de 1024 × 1024 se chevauchant, à plusieurs échelles, tout en maintenant les annotations synchronisées.
from ultralytics.data.split_dota import split_test, split_trainval
# Split train and val set, with labels.
split_trainval(
data_root="path/to/DOTAv1.0/",
save_dir="path/to/DOTAv1.0-split/",
rates=[0.5, 1.0, 1.5], # multiscale
gap=500,
)
# Split test set, without labels.
split_test(
data_root="path/to/DOTAv1.0/",
save_dir="path/to/DOTAv1.0-split/",
rates=[0.5, 1.0, 1.5], # multiscale
gap=500,
)Garde le répertoire de sortie organisé selon la disposition YOLO standard (images/train, labels/train, etc.) afin de pouvoir y faire référence directement depuis le YAML du jeu de données.
Utilisation#
Pour entraîner un modèle sur le jeu de données DOTA v1, tu peux utiliser les extraits de code suivants. Consulte toujours la documentation de ton modèle pour obtenir une liste complète des arguments disponibles. Si tu souhaites d'abord expérimenter avec un sous-ensemble plus petit, pense à utiliser le jeu de données DOTA8, qui ne contient que 8 images pour des tests rapides et peut être consulté sur la plateforme Ultralytics.
Note que toutes les images et les annotations associées dans le jeu de données DOTAv1 peuvent être utilisées à des fins académiques, mais que toute utilisation commerciale est interdite. Ta compréhension et ton respect des souhaits des créateurs du jeu de données sont grandement appréciés !
from ultralytics import YOLO
# Create a new YOLO26n-OBB model from scratch
model = YOLO("yolo26n-obb.yaml")
# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)Exemples de données et d'annotations#
Avoir un aperçu du jeu de données illustre sa profondeur :
- Exemples DOTA : cet instantané souligne la complexité des scènes aériennes et l'importance des annotations de boîtes englobantes orientées, capturant les objets dans leur orientation naturelle.
La richesse du jeu de données offre des informations inestimables sur les défis de la détection d'objets propres à l'imagerie aérienne. Le jeu de données DOTA-v2.0 est devenu particulièrement populaire pour les projets de télédétection et de surveillance aérienne en raison de ses annotations complètes et de ses diverses catégories d'objets.
Citations et remerciements#
Si tu utilises DOTA dans tes travaux, cite les articles de recherche pertinents :
@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={2022},
volume={44},
number={11},
pages={7778-7796},
doi={10.1109/TPAMI.2021.3117983}
}Un remerciement spécial à l'équipe derrière les ensembles de données DOTA pour ses efforts louables dans la curation de cet ensemble de données. Pour une compréhension exhaustive de l'ensemble de données et de ses nuances, visite le site web officiel de DOTA.
FAQ#
Le jeu de données DOTA est un jeu de données spécialisé axé sur la détection d'objets dans les images aériennes. Il intègre des boîtes englobantes orientées (OBB), fournissant des images annotées provenant de diverses scènes aériennes. La diversité de DOTA en matière d'orientation, d'échelle et de forme des objets à travers ses 1,7 million d'annotations et ses 18 catégories le rend idéal pour développer et évaluer des modèles adaptés à l'analyse d'images aériennes, tels que ceux utilisés dans la surveillance, le suivi environnemental et la gestion des catastrophes.
Pour entraîner un modèle sur le jeu de données DOTA, tu peux utiliser l'exemple suivant avec Ultralytics YOLO :
Exemple d'entraînementfrom ultralytics import YOLO # Create a new YOLO26n-OBB model from scratch model = YOLO("yolo26n-obb.yaml") # Train the model on the DOTAv1 dataset results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)Pour plus de détails sur la façon de découper et de prétraiter les images DOTA, consulte la section sur le découpage des images DOTA.
- DOTA-v1.0 : Inclut 15 catégories courantes réparties sur 2 806 images avec 188 282 instances. Le jeu de données est divisé en ensembles d'entraînement, de validation et de test.
- DOTA-v1.5 : S'appuie sur DOTA-v1.0 en annotant de très petites instances (moins de 10 pixels) et en ajoutant une nouvelle catégorie, "container crane", totalisant 403 318 instances.
- DOTA-v2.0 : S'étend davantage avec des annotations provenant de Google Earth et du satellite GF-2, comprenant 11 268 images et 1 793 658 instances. Il inclut de nouvelles catégories comme "airport" et "helipad".
Pour une comparaison détaillée et des spécificités supplémentaires, consulte la section sur les versions du jeu de données.
Les images DOTA, qui peuvent être très volumineuses, sont divisées en résolutions plus petites pour un entraînement gérable. Voici un extrait Python pour diviser les images :
Exemplefrom ultralytics.data.split_dota import split_test, split_trainval # split train and val set, with labels. split_trainval( data_root="path/to/DOTAv1.0/", save_dir="path/to/DOTAv1.0-split/", rates=[0.5, 1.0, 1.5], # multiscale gap=500, ) # split test set, without labels. split_test( data_root="path/to/DOTAv1.0/", save_dir="path/to/DOTAv1.0-split/", rates=[0.5, 1.0, 1.5], # multiscale gap=500, )Ce processus facilite une meilleure efficacité d'entraînement et de meilleures performances du modèle. Pour des instructions détaillées, visite la section sur le découpage des images DOTA.
DOTA utilise des boîtes englobantes orientées (OBB) pour l'annotation, représentées par des rectangles pivotés englobant les objets quelle que soit leur orientation. Cette méthode garantit que les objets, qu'ils soient petits ou sous différents angles, sont capturés avec précision. Les images multi-échelles du jeu de données, allant de 800 × 800 à 20 000 × 20 000 pixels, permettent également de détecter efficacement les petits et les grands objets. Cette approche est particulièrement précieuse pour l'imagerie aérienne où les objets apparaissent sous divers angles et échelles.