DOTA8 데이터 세트

소개

Ultralytics DOTA8은(는) 분할된 DOTAv1 세트의 처음 8개 이미지(훈련용 4개, 유효성 검사용 4개)로 구성된 작지만 다재다능한 방향 객체 감지 데이터 세트입니다. 이 데이터 세트는 객체 감지 모델을 테스트하고 디버깅하거나 새로운 감지 접근 방식을 실험하는 데 적합합니다. 8개의 이미지로 구성되어 있어 관리가 용이할 만큼 작지만, 더 큰 데이터 세트를 훈련하기 전에 오류에 대한 훈련 파이프라인을 테스트하고 건전성 검사를 수행할 수 있을 만큼 다양합니다.

이 데이터 세트는 Ultralytics HUB 및 YOLO11과 함께 사용하기 위한 것입니다.

데이터세트 YAML

YAML(Yet Another Markup Language) 파일은 데이터 세트 구성을 정의하는 데 사용됩니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. DOTA8 데이터 세트의 경우, dota8.yaml 파일은 다음 위치에서 관리됩니다. https://github.com/ultralytics/ultralytics/blob/main/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

사용법

이미지 크기가 640인 DOTA8 데이터 세트에서 YOLO11n-obb 모델을 100 epochs 동안 훈련하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 훈련 페이지를 참조하세요.

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

샘플 이미지 및 주석

다음은 DOTA8 데이터 세트의 이미지와 해당 어노테이션의 예입니다.

• 모자이크 이미지: 이 이미지는 모자이크 데이터 세트 이미지로 구성된 훈련 배치를 보여줍니다. 모자이킹은 각 훈련 배치 내에서 객체와 장면의 다양성을 높이기 위해 여러 이미지를 단일 이미지로 결합하는 훈련 중 사용되는 기술입니다. 이는 모델이 다양한 객체 크기, 종횡비 및 컨텍스트로 일반화하는 능력을 향상시키는 데 도움이 됩니다.

이 예는 DOTA8 데이터 세트의 이미지의 다양성과 복잡성, 그리고 훈련 과정에서 모자이크를 사용하는 이점을 보여줍니다.

인용 및 감사의 말씀

DOTA 데이터 세트를 연구 또는 개발 작업에 사용하는 경우 다음 논문을 인용하십시오.

@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}
}

이 데이터 세트를 큐레이팅하는 데 칭찬할 만한 노력을 기울인 DOTA 데이터 세트 팀에게 특별한 감사를 드립니다. 데이터 세트 및 그 뉘앙스에 대한 포괄적인 이해를 위해서는 공식 DOTA 웹사이트를 방문하십시오.

FAQ

DOTA8 데이터 세트는 무엇이며, 어떻게 사용할 수 있습니까?

DOTA8 데이터 세트는 DOTAv1 분할 세트의 처음 8개 이미지로 구성된 작고 다재다능한 방향 객체 감지 데이터 세트이며, 4개의 이미지는 학습용으로, 4개는 유효성 검사용으로 지정됩니다. Ultralytics YOLO11과 같은 객체 감지 모델을 테스트하고 디버깅하는 데 이상적입니다. 관리하기 쉬운 크기와 다양성 덕분에 더 큰 데이터 세트를 배포하기 전에 파이프라인 오류를 식별하고 건전성 검사를 실행하는 데 도움이 됩니다. Ultralytics YOLO11을 사용한 객체 감지에 대해 자세히 알아보세요.

DOTA8 데이터 세트를 사용하여 YOLO11 모델을 어떻게 학습시키나요?

이미지 크기를 640으로 설정하고 DOTA8 데이터 세트에서 YOLO11n-obb 모델을 100 epoch 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 전체 인수 옵션은 모델 학습 페이지를 참조하십시오.

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 데이터 세트의 주요 특징은 무엇이며 YAML 파일은 어디에서 액세스할 수 있습니까?

DOTA 데이터 세트는 대규모 벤치마크와 항공 이미지의 객체 감지에 대한 과제로 유명합니다. DOTA8 하위 세트는 초기 테스트에 이상적인 작고 관리하기 쉬운 데이터 세트입니다. 액세스할 수 있습니다. dota8.yaml 경로, 클래스 및 구성 세부 정보가 포함된 파일은 다음 위치에 있습니다. GitHub 링크.

DOTA8 데이터 세트를 사용한 모델 학습에서 모자이킹은 어떻게 향상됩니까?

모자이킹은 훈련 중에 여러 이미지를 하나로 결합하여 각 배치 내에서 객체와 컨텍스트의 다양성을 증가시킵니다. 이는 다양한 객체 크기, 종횡비 및 장면에 일반화하는 모델의 능력을 향상시킵니다. 이 기술은 모자이크 처리된 DOTA8 데이터세트 이미지로 구성된 훈련 배치를 통해 시각적으로 입증되어 강력한 모델 개발에 도움이 됩니다. 모자이킹 및 훈련 기술에 대한 자세한 내용은 훈련 페이지에서 살펴보세요.

객체 감지 작업에 Ultralytics YOLO11을 사용해야 하는 이유는 무엇인가요?

Ultralytics YOLO11은 OBB(Oriented Bounding Boxes), 인스턴스 분할 및 매우 다재다능한 훈련 파이프라인과 같은 기능을 포함하여 최첨단 실시간 객체 감지 기능을 제공합니다. 다양한 애플리케이션에 적합하며 효율적인 미세 조정을 위해 사전 훈련된 모델을 제공합니다. Ultralytics YOLO11 문서에서 장점과 사용법에 대해 자세히 알아보세요.

📅 1년 전에 생성됨 ✏️ 5개월 전에 업데이트됨

댓글