はじめる

DOTA8データセット

はじめに#

Ultralytics DOTA8は、DOTAv1分割セットの最初の8枚の画像(トレーニング用4枚、検証用4枚)で構成される、小規模な回転物体検出データセットです。物体検出モデルのテストやデバッグ、新しい検出手法の実験に最適です。画像が8枚と扱いやすい規模でありながら、トレーニングパイプラインのエラーを検出し、より大規模なデータセットでトレーニングする前にサニティチェックを行うのに十分な多様性があります。

データセットの構成#

  • 画像:DOTAv1から取得した航空画像タイル8枚(train 4枚、val 4枚)。

  • クラス:飛行機、船、大型車両など、DOTAv1の15カテゴリを継承します。

  • ラベル:YOLO形式の回転バウンディングボックスは、各画像と同じ場所にある.txtファイルに保存されます。

  • ダウンロード:1 MB。初回のトレーニング時にUltralytics GitHubアセットから自動的に取得されます。

  • 推奨レイアウト:

    datasets/dota8/
    ├── images/
    │   ├── train/
    │   └── val/
    └── labels/
        ├── train/
        └── val/

Ultralytics Platform上のDOTA8では、回転ボックスのオーバーレイ付きで航空画像タイルを閲覧したり、Chartsタブでクラス分布やアノテーションヒートマップを確認したり、データセットを複製してクラウド上で独自モデルをトレーニングしたりできます。

データセットYAML#

データセット設定の定義にはYAMLファイルを使用します。このファイルには、データセットのパス、クラス、その他の関連情報が含まれます。DOTA8データセットの場合、dota8.yamlファイルはhttps://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yamlで管理されています。

ultralytics/cfg/datasets/dota8.yaml
# 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.zip

使用方法#

画像サイズ640でDOTA8データセットを使用し、100エポックにわたってYOLO26n-obbモデルをトレーニングするには、次のコードスニペットを使用できます。

トレーニング例
from ultralytics import YOLO

# モデルを読み込む
model = YOLO("yolo26n-obb.pt")  # 事前トレーニング済みモデルを読み込みます(トレーニングにはこちらを推奨します)

# モデルをトレーニングする
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

サンプル画像とアノテーション#

DOTA8データセットの画像と、それぞれに対応するアノテーションの例を以下に示します。

DOTA8 oriented bounding box dataset training mosaic
  • モザイク画像: モザイク化したデータセット画像で構成されるトレーニングバッチを示しています。モザイク化はトレーニング中に使用される手法で、複数の画像を1枚にまとめ、各トレーニングバッチ内のオブジェクトやシーンの多様性を高めます。これにより、さまざまなオブジェクトサイズ、アスペクト比、コンテキストに対するモデルの汎化性能が向上します。

この例は、DOTA8データセットの画像の多様性と複雑さ、およびトレーニングプロセスでモザイクを使用する利点を示しています。

引用と謝辞#

研究または開発でDOTAデータセットを使用する場合は、次の論文を引用してください。

引用
@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}
}

DOTAデータセットを整備してくださったチームに感謝します。データセットの詳細については、DOTA公式ウェブサイトをご覧ください。

よくある質問#

  • DOTA8データセットは、DOTAv1分割セットの最初の8枚の画像(トレーニング用4枚、検証用4枚)で構成される、小規模な回転物体検出データセットです。Ultralytics YOLO26などの物体検出モデルのテストやデバッグに最適です。扱いやすい規模と多様性を備えているため、より大規模なデータセットでトレーニングする前に、パイプラインのエラーを特定してサニティチェックを行うのに役立ちます。

  • DOTA8データセットでYOLO26n-obbモデルを画像サイズ640、100エポックでトレーニングするには、次のコードスニペットを使用できます。利用可能な引数の詳細については、モデルのトレーニングページを参照してください。

    トレーニング例
    from ultralytics import YOLO
    
    # モデルを読み込む
    model = YOLO("yolo26n-obb.pt")  # 事前トレーニング済みモデルを読み込みます(トレーニングにはこちらを推奨します)
    
    # モデルをトレーニングする
    results = model.train(data="dota8.yaml", epochs=100, imgsz=640)
  • DOTAデータセットは、大規模なベンチマークであり、航空画像における物体検出の課題を提示することで知られています。DOTA8サブセットは、初期テストに適した、より小規模で扱いやすいデータセットです。パス、クラス、設定の詳細を含むdota8.yaml設定ファイルは、Ultralytics GitHubリポジトリで管理されています。

  • モザイク処理では、トレーニング中に複数の画像を1枚に組み合わせ、各バッチ内の物体やコンテキストの多様性を高めます。これにより、さまざまな物体サイズ、アスペクト比、シーンに対するモデルの汎化能力が向上します。

  • Ultralytics YOLO26は、インスタンスセグメンテーションなどのタスクに加えて、回転バウンディングボックス (OBB)を含むリアルタイム物体検出を、単一のトレーニングパイプラインでサポートします。事前トレーニング済みモデルにより、ファインチューニングを効率的に行えます。

コメント2

質問したり、結果を共有したり、ほかの人をサポートしたりできます。

  1. expen6veGitHub

    How do you create a dataset for OBB? can i use the visdrone dataset to train an obb model?

    1. Glenn JocherUltralytics

      @expen6ve yes, you can use VisDrone with YOLO OBB by converting your annotations to YOLO OBB format (four corner points with normalized coordinates). Create a dataset YAML file following our DOTA8 example structure, and ensure annotations match the required class_index x1 y1 x2 y2 x3 y3 x4 y4 format. For conversion tools and format details, see our OBB Dataset Guide.