Set di dati DOTA128
Introduzione
Ultralytics DOTA128 è un dataset piccolo ma versatile orientato al rilevamento di oggetti composto da 128 immagini del set DOTAv1, 128 per l'addestramento e la convalida. Questo dataset è ideale per testare e debuggare modelli orientati al bounding box (OBB) o per sperimentare nuovi approcci di rilevamento. Con 128 immagini, è abbastanza piccolo da essere facilmente gestibile, ma abbastanza diversificato da consentire di testare le pipeline di addestramento alla ricerca di errori e fungere da controllo di integrità prima di addestrare set di dati più grandi.
Struttura del set di dati
- Immagini: 128 tessere aeree (tutte nella cartella train, utilizzate sia per train che per val) provenienti da DOTAv1.
- Classi: Eredita le 15 categorie DOTAv1 come aereo, nave e veicolo di grandi dimensioni.
- Etichette: Bounding box orientati in formato YOLO salvati come
.txtfile accanto a ciascuna immagine.
Questo dataset è destinato all'uso con Piattaforma Ultralytics e YOLO26.
YAML del set di dati
Per definire la configurazione del set di dati viene utilizzato un file YAML (Yet Another Markup Language). Esso contiene informazioni sui percorsi del set di dati, sulle classi e altre informazioni rilevanti. Nel caso del set di dati DOTA128, il dota128.yaml file è mantenuto in https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml.
ultralytics.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# DOTA128 dataset (128 images from the DOTAv1 split) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota128/
# Example usage: yolo train model=yolo26n-obb.pt data=dota128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── dota128 ← downloads here (34 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: dota128 # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/train # val images (relative to 'path') 128 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/dota128.zip
Utilizzo
Per addestrare unobb sul set di dati DOTA128 per 100 epoche con immagini di dimensioni pari a 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina Addestramento del modello.
Esempio di addestramento
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="dota128.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo obb train data=dota128.yaml model=yolo26n-obb.pt epochs=100 imgsz=640
Immagini di esempio e annotazioni
Ecco alcuni esempi di immagini tratte dal set di dati DOTA128, insieme alle relative annotazioni:
- Immagine mosaicata: questa immagine mostra un batch di addestramento composto da immagini del dataset mosaicato. Il mosaicing è una tecnica utilizzata durante l'addestramento che combina più immagini in un'unica immagine per aumentare la varietà di oggetti e scene all'interno di ogni batch di addestramento. Ciò contribuisce a migliorare la capacità del modello di generalizzare a diverse dimensioni degli oggetti, proporzioni e contesti.
L'esempio mostra la varietà e la complessità delle immagini nel set di dati DOTA128 e i vantaggi dell'utilizzo del mosaico durante il processo di addestramento.
Citazioni e ringraziamenti
Se utilizzi il dataset DOTA nel tuo lavoro di ricerca o sviluppo, cita il seguente articolo:
@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}
}
Un ringraziamento speciale al team dietro i dataset DOTA per il loro lodevole impegno nella cura di questo dataset. Per una comprensione esaustiva del dataset e delle sue sfumature, visitare il sito web ufficiale di DOTA.
FAQ
Che cos'è il set di dati DOTA128 e come può essere utilizzato?
Il set di dati DOTA128 è un set di dati versatile orientato al rilevamento di oggetti composto da 128 immagini del set DOTAv1, tutte memorizzate nella cartella train. Sia l'addestramento che la convalida utilizzano lo stesso set di immagini, rendendolo ideale per test rapidi e flussi di lavoro di debug. È ideale per testare e debuggare modelli OBB come Ultralytics . Grazie alle sue dimensioni gestibili e alla sua diversità, aiuta a identificare gli errori della pipeline ed eseguire controlli di integrità prima di implementare set di dati più grandi. Scopri di più sul rilevamento OBB con Ultralytics .
Come posso addestrare un modello YOLO26 utilizzando il set di dati DOTA128?
Per addestrare unobb sul set di dati DOTA128 per 100 epoche con immagini di dimensioni pari a 640, è possibile utilizzare i seguenti frammenti di codice. Per le opzioni complete degli argomenti, fare riferimento alla pagina Addestramento del modello.
Esempio di addestramento
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="dota128.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo obb train data=dota128.yaml model=yolo26n-obb.pt epochs=100 imgsz=640
Quali sono le caratteristiche principali del dataset DOTA e dove posso accedere al file YAML?
Il set di dati DOTA è noto per il suo benchmark su larga scala e per le sfide che presenta per il rilevamento di oggetti nelle immagini aeree. Il sottoinsieme DOTA128 offre una maggiore diversità rispetto a DOTA8, pur rimanendo gestibile per i test iniziali. È possibile accedere al dota128.yaml file, che contiene percorsi, classi e dettagli di configurazione, a questo Link GitHub.
Come si confronta DOTA128 con altre varianti del set di dati DOTA?
DOTA128 (128 immagini) si colloca tra DOTA8 (8 immagini) e il set di dati completo DOTA-v1 (1.869 immagini) in termini di dimensioni:
- DOTA8: Contiene solo 8 immagini (4 treno, 4 val) - ideale per test rapidi e debug
- DOTA128: Contiene 128 immagini (tutte nella cartella train, utilizzate sia per train che per val) - equilibrio tra dimensioni e diversità
- DOTA-v1 completo: contiene 1.869 immagini - completo ma richiede molte risorse
DOTA128 offre un buon compromesso, garantendo una maggiore diversità rispetto a DOTA8 pur rimanendo molto più gestibile rispetto al set di dati completo DOTA per la sperimentazione e lo sviluppo iniziale del modello.
In che modo il mosaico migliora l'addestramento del modello con il set di dati DOTA128?
Il mosaico combina più immagini in una sola durante l'addestramento, aumentando la varietà di oggetti e contesti all'interno di ogni batch. Ciò migliora la capacità del modello di generalizzare diverse dimensioni degli oggetti, proporzioni e scene. Questa tecnica può essere dimostrata visivamente attraverso un batch di addestramento composto da immagini del set di dati DOTA128 mosaicate, contribuendo allo sviluppo di un modello robusto. Scopri di più sul mosaico e sulle tecniche di addestramento nella nostra pagina Addestramento.
Perché dovrei usare Ultralytics per attività di rilevamento di oggetti orientate?
Ultralytics YOLO26 offre capacità di object detection in tempo reale all'avanguardia, incluse funzionalità come le bounding box orientate (OBB), la instance segmentation e una pipeline di addestramento altamente versatile. È adatto a diverse applicazioni e offre modelli pre-addestrati per un fine-tuning efficiente. Esplora ulteriormente i vantaggi e l'utilizzo nella documentazione di Ultralytics YOLO26.
