Conjunto de dados DOTA com OBB

O DOTA é um conjunto de dados especializado, com ênfase na deteção de objectos em imagens aéreas. Originário da série de conjuntos de dados DOTA, oferece imagens anotadas que capturam um conjunto diversificado de cenas aéreas com Oriented Bounding Boxes (OBB).

Características principais

• Recolha de vários sensores e plataformas, com tamanhos de imagem que variam entre 800 × 800 e 20 000 × 20 000 pixéis.
• Inclui mais de 1,7 milhões de caixas delimitadoras orientadas em 18 categorias.
• Engloba a deteção de objectos em várias escalas.
• As instâncias são anotadas por especialistas utilizando quadriláteros arbitrários (8 d.o.f.), capturando objectos de diferentes escalas, orientações e formas.

Versões do conjunto de dados

DOTA-v1.0

• Contém 15 categorias comuns.
• Inclui 2.806 imagens com 188.282 instâncias.
• Divide as proporções: 1/2 para treino, 1/6 para validação e 1/3 para teste.

DOTA-v1.5

• Incorpora as mesmas imagens do DOTA-v1.0.
• As instâncias muito pequenas (menos de 10 pixéis) também são anotadas.
• Aditamento de uma nova categoria: "grua para contentores".
• Um total de 403.318 ocorrências.
• Lançado para o Desafio DOAI 2019 sobre deteção de objectos em imagens aéreas.

DOTA-v2.0

• Colecções do Google Earth, do satélite GF-2 e de outras imagens aéreas.
• Contém 18 categorias comuns.
• Inclui 11.268 imagens com um número impressionante de 1.793.658 instâncias.
• Introduziu novas categorias: "aeroporto" e "heliporto".
• Divide a imagem:
  • Treino: 1.830 imagens com 268.627 instâncias.
  • Valida: 593 imagens com 81.048 instâncias.
  • Test-dev: 2.792 imagens com 353.346 instâncias.
  • Teste-desafio: 6.053 imagens com 1.090.637 instâncias.

Estrutura do conjunto de dados

O DOTA apresenta um layout estruturado adaptado aos desafios de deteção de objectos OBB:

• Imagens: Uma vasta coleção de imagens aéreas de alta resolução que captam diversos terrenos e estruturas.
• Caixas delimitadoras orientadas: Anotações na forma de rectângulos rodados que encapsulam objectos independentemente da sua orientação, ideais para capturar objectos como aviões, navios e edifícios.

Aplicações

O DOTA serve de referência para treinar e avaliar modelos especificamente adaptados à análise de imagens aéreas. Com a inclusão de anotações OBB, proporciona um desafio único, permitindo o desenvolvimento de modelos especializados de deteção de objectos que atendam às nuances das imagens aéreas.

Conjunto de dados YAML

Normalmente, os conjuntos de dados incorporam um ficheiro YAML (Yet Another Markup Language) que detalha a configuração do conjunto de dados. Para DOTA v1 e DOTA v1.5, Ultralytics fornece DOTAv1.yaml e DOTAv1.5.yaml ficheiros. Para mais detalhes sobre estes ficheiros, bem como sobre o DOTA v2, consulta o repositório e a documentação oficial do DOTA.

# Ultralytics YOLO 🚀, AGPL-3.0 license
# DOTA 1.0 dataset https://captain-whu.github.io/DOTA/index.html for object detection in aerial images by Wuhan University
# Documentation: https://docs.ultralytics.com/datasets/obb/dota-v2/
# Example usage: yolo train model=yolov8n-obb.pt data=DOTAv1.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dota1  ← downloads here (2GB)

# 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/DOTAv1 # dataset root dir
train: images/train # train images (relative to 'path') 1411 images
val: images/val # val images (relative to 'path') 458 images
test: images/test # test images (optional) 937 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/yolov5/releases/download/v1.0/DOTAv1.zip

Divide as imagens do DOTA

Para treinar o conjunto de dados DOTA, dividimos as imagens DOTA originais de alta resolução em imagens com resolução de 1024x1024 de forma multiescala.

from ultralytics.data.split_dota import split_trainval, split_test

# split train and val set, with labels.
split_trainval(
    data_root='path/to/DOTAv1.0/',
    save_dir='path/to/DOTAv1.0-split/',
    rates=[0.5, 1.0, 1.5],    # multiscale
    gap=500
)
# split test set, without labels.
split_test(
    data_root='path/to/DOTAv1.0/',
    save_dir='path/to/DOTAv1.0-split/',
    rates=[0.5, 1.0, 1.5],    # multiscale
    gap=500
)

Utilização

Para treinar um modelo no conjunto de dados DOTA v1, podes utilizar os seguintes trechos de código. Consulta sempre a documentação do teu modelo para obteres uma lista completa dos argumentos disponíveis.

from ultralytics import YOLO

# Create a new YOLOv8n-OBB model from scratch
model = YOLO('yolov8n-obb.yaml')

# Train the model on the DOTAv2 dataset
results = model.train(data='DOTAv1.yaml', epochs=100, imgsz=640)

# Train a new YOLOv8n-OBB model on the DOTAv2 dataset
yolo obb train data=DOTAv1.yaml model=yolov8n-obb.pt epochs=100 imgsz=640

Dados de amostra e anotações

Um olhar sobre o conjunto de dados ilustra a sua profundidade:

• Exemplos de DOTA: Este instantâneo sublinha a complexidade das cenas aéreas e a importância das anotações Oriented Bounding Box, capturando os objectos na sua orientação natural.

A riqueza do conjunto de dados oferece informações valiosas sobre os desafios da deteção de objectos exclusivos das imagens aéreas.

Citações e agradecimentos

Para aqueles que utilizam o DOTA nos seus esforços, é pertinente citar os trabalhos de investigação relevantes:

@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}
}

Uma nota especial de gratidão à equipa responsável pelos conjuntos de dados DOTA pelo seu esforço louvável na curadoria deste conjunto de dados. Para uma compreensão exaustiva do conjunto de dados e das suas nuances, visita o sítio Web oficial do DOTA.

Comentários