DOTA8データセット
はじめに
Ultralytics DOTA8は、分割されたDOTAv1セットの最初の8枚の画像(トレーニング用に4枚、検証用に4枚)で構成される、小規模ながら汎用性の高い向き付き物体検出データセットです。このデータセットは、物体検出モデルのテストとデバッグ、または新しい検出アプローチの実験に最適です。8枚の画像で構成されているため、管理が容易なほど小さく、エラーのトレーニングパイプラインをテストし、より大きなデータセットをトレーニングする前に健全性チェックとして機能するのに十分な多様性があります。
このデータセットは、Ultralytics HUBおよびYOLO11での使用を目的としています。
データセット YAML
データセットの構成を定義するために、YAML(Yet Another Markup Language)ファイルが使用されます。これには、データセットのパス、クラス、およびその他の関連情報が含まれています。DOTA8データセットの場合、 dota8.yaml
fileは以下で管理されています: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.
ultralytics/cfg/datasets/dota8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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: 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
使用法
画像サイズ640でDOTA8データセット上でYOLO11n-obbモデルを100エポック学習させるには、以下のコードスニペットを使用できます。利用可能な引数の包括的なリストについては、モデルのトレーニングページを参照してください。
学習の例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-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=yolo11n-obb.pt epochs=100 imgsz=640
サンプル画像とアノテーション
DOTA8データセットからの画像の例と、それに対応するアノテーションを以下に示します。
- モザイク化された画像: この画像は、モザイク化され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。モザイキングは、各トレーニングバッチ内のオブジェクトとシーンの多様性を高めるために、複数の画像を1つの画像に結合するトレーニング中に使用される手法です。これにより、さまざまなオブジェクトのサイズ、アスペクト比、およびコンテキストに対するモデルの汎化能力が向上します。
この例は、DOTA8データセット内の画像の多様性と複雑さ、およびトレーニングプロセス中にモザイク処理を使用する利点を示しています。
引用と謝辞
DOTAデータセットを研究または開発にご利用の際は、以下の論文を引用してください。
@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}
}
このデータセットのキュレーションにおける彼らの称賛に値する努力に対して、DOTAデータセットの背後にあるチームに特別な感謝の意を表します。データセットとそのニュアンスの包括的な理解については、DOTAの公式ウェブサイトをご覧ください。
よくある質問
DOTA8データセットとは何ですか?また、どのように使用できますか?
DOTA8データセットは、DOTAv1分割セットの最初の8枚の画像で構成される、小型で汎用性の高い向き付き物体検出データセットであり、4枚の画像がトレーニング用、4枚が検証用として指定されています。Ultralytics YOLO11のような物体検出モデルのテストとデバッグに最適です。管理しやすいサイズと多様性により、大規模なデータセットをデプロイする前に、パイプラインのエラーを特定し、健全性チェックを実行するのに役立ちます。Ultralytics YOLO11を使用した物体検出の詳細をご覧ください。
DOTA8データセットを使用してYOLO11モデルをトレーニングするにはどうすればよいですか?
画像サイズ640でDOTA8データセット上でYOLO11n-obbモデルを100エポック学習させるには、以下のコードスニペットを使用できます。包括的な引数オプションについては、モデルのトレーニングページを参照してください。
学習の例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-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=yolo11n-obb.pt epochs=100 imgsz=640
DOTAデータセットの主な特徴は何ですか?また、YAMLファイルはどこで入手できますか?
DOTAデータセットは、大規模なベンチマークであり、航空画像内の物体検出に対する課題を提示することで知られています。DOTA8サブセットは、初期テストに最適な、より小さく管理しやすいデータセットです。以下にアクセスできます。 dota8.yaml
このファイルには、パス、クラス、および構成の詳細が含まれています。 GitHubリンク.
モザイク処理は、DOTA8データセットを使用したモデルトレーニングをどのように強化しますか?
モザイク処理は、トレーニング中に複数の画像を1つに結合し、各バッチ内のオブジェクトとコンテキストの多様性を高めます。これにより、さまざまなオブジェクトサイズ、アスペクト比、シーンに一般化するモデルの能力が向上します。この手法は、モザイク処理されたDOTA8データセット画像で構成されるトレーニングバッチを通じて視覚的に実証でき、堅牢なモデル開発に役立ちます。モザイク処理とトレーニング手法の詳細については、トレーニングページをご覧ください。
オブジェクト検出タスクに Ultralytics YOLO11 を使用する利点は何ですか?
Ultralytics YOLO11 は、指向性バウンディングボックス(OBB)、インスタンスセグメンテーション、および汎用性の高いトレーニングパイプラインなどの機能を備えた、最先端のリアルタイム物体検出機能を提供します。さまざまなアプリケーションに適しており、効率的な微調整のための学習済みモデルを提供します。Ultralytics YOLO11 のドキュメントで、利点と使用法についてさらに詳しく調べてください。