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、しかもトレーニング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トレーニング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 YOLOv8.

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、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 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YOLOv8n-obbモデルを画像サイズ640で100エポック訓練するには、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。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-obb.pt epochs=100 imgsz=640

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紹介しています。

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画像で構成され、4画像がトレーニング用、4画像が検証用に指定された、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す。Ultralytics YOLOv8 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。オブジェクト検出の詳細については Ultralytics YOLOv8.

DOTA8 データセットを使ってYOLOv8 モデルをトレーニングするには？

DOTA8データセットでYOLOv8n-obbモデルを画像サイズ640で100エポック訓練するには、以下のコード・スニペットを使うことができる。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。

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-obb.pt epochs=100 imgsz=640

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、初期テストに理想的な小さくて管理しやすいデータセットです。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。

なぜ物体検出タスクにUltralytics YOLOv8 を使う必要があるのか？

Ultralytics YOLOv8 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、汎用性の高いトレーニングパイプラインなどの機能を含む、最先端のリアルタイムオブジェクト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 YOLOv8 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。

コメント