DOTA8 データセット
はじめに
UltralyticsDOTA8は、分割されたDOTAv1セットの最初の8画像（学習用4画像、検証用4画像）から構成される、小さいが汎用性の高い指向性物体検出データセットである。このデータセットは、物体検出モデルのテストやデバッグ、あるいは新しい検出アプローチの実験に最適である。8枚の画像で、簡単に管理できるほど十分小さく、しかも学習パイプラインのエラーをテストし、より大きなデータセットを学習する前のサニティチェックとして機能するほど多様です。
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
YAML (Yet Another Markup Language) ファイルはデータセットの設定を定義するために使われる。このファイルには、データセットのパスやクラス、その他の関連情報が含まれている。DOTA8データセットの場合は dota8.yaml ファイルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.
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
使用方法
DOTA8データセットでYOLO11n-obbモデルを画像サイズ640で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します。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。
列車の例
サンプル画像と注釈
DOTA8データセットの画像の例を、対応するアノテーションとともに紹介する：
- モザイク画像：この画像は、モザイク処理されたデータセット画像で構成されたトレーニングバッチを示す。モザイク処理とは、複数の画像を1つの画像に合成し、各トレーニングバッチ内のオブジェクトやシーンの種類を増やすトレーニング時に使用される手法です。これにより、異なるオブジェクトサイズ、アスペクト比、コンテクストに対するモデルの汎化能力を向上させることができます。
この例では、DOTA8データセットの画像の多様性と複雑さ、および学習プロセスでモザイク処理を使用する利点を示している。
引用と謝辞
研究開発においてDOTAデータセットを使用する場合は、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多大な努力を払ってくれたDOTAデータセットの開発チームに感謝の意を表したい。このデータセットとそのニュアンスの詳細については、DOTAの公式ウェブサイトをご覧ください。
よくあるご質問
DOTA8データセットとは何ですか？
DOTA8データセットは、DOTAv1スプリットセットの最初の8枚の画像から構成される小規模で汎用性の高いオブジェクト検出データセットで、4枚がトレーニング用、4枚が検証用に指定されています。Ultralytics YOLO11のような物体検出モデルのテストや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、パイプラインエラーを特定し、より大きなデータセットをデプロイする前にサニティチェックを実行するのに役立ちます。Ultralytics YOLO11 による物体検出の詳細については、こちらをご覧ください。
DOTA8データセットを使ってYOLO11モデルをトレーニングするには？
DOTA8データセットでYOLO11n-obbモデルを画像サイズ640で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します。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。
列車の例
DOTAデータセットの主な特徴とYAMLファイルへのアクセス方法は？
DOTAデータセットは、その大規模なベンチマークと、航空画像における物体検出の課題として知られている。DOTA8サブセットは小規模で管理しやすいデータセットで、初期テストに最適です。データセットへのアクセスは dota8.yaml このファイルには、パス、クラス、設定の詳細が含まれています。 GitHubリンク.
モザイク処理はDOTA8データセットのモデル学習をどのように強化するのか？
モザイキングは、トレーニング中に複数の画像を1つに統合し、各バッチ内のオブジェクトとコンテキストの種類を増やす。これにより、異なるオブジェクトサイズ、アスペクト比、シーンに対するモデルの汎化能力が向上する。このテクニックは、モザイク処理されたDOTA8データセットの画像で構成されたトレーニングバッチを通して視覚的に示すことができ、ロバスト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技術については、トレーニングのページをご覧ください。
物体検出タスクにUltralytics YOLO11 を使う理由は？
Ultralytics YOLO11は、オリエンテッド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、汎用性の高い学習パイプラインなどの機能を含む、最先端のリアルタイム物体検出機能を提供します。様々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事前学習済みモデルを提供します。Ultralytics YOLO11のドキュメントで、利点と使用方法についてさらに詳しくご覧ください。
