Conjunto de dados DOTA8#

Introdução#

O DOTA8 da Ultralytics é um conjunto de dados versátil de detecção de objetos orientada, composto pelas 8 primeiras imagens do conjunto DOTAv1, sendo 4 para treinamento e 4 para validação. Este conjunto de dados é ideal para testar e depurar modelos de detecção de objetos ou para experimentar novas abordagens de detecção. Com 8 imagens, ele é pequeno o suficiente para ser facilmente gerenciável, mas diverso o suficiente para testar pipelines de treinamento em busca de erros e servir como uma verificação básica antes de treinar conjuntos de dados maiores.

Estrutura do Dataset#

• Imagens: 8 tiles aéreos (4 de treino, 4 de val) provenientes do DOTAv1.

• Classes: Herda as 15 categorias do DOTAv1, como avião, navio e veículo grande.

• Labels: Caixas delimitadoras orientadas no formato YOLO, salvas como arquivos .txt ao lado de cada imagem.

• Download: 1 MB, obtido automaticamente dos ativos do GitHub da Ultralytics na primeira vez que treinares.

• Layout recomendado:

  datasets/dota8/
  ├── images/
  │   ├── train/
  │   └── val/
  └── labels/
      ├── train/
      └── val/

Explora o DOTA8 na Plataforma Ultralytics para navegar pelos tiles aéreos com as suas sobreposições de caixa orientada, ver a distribuição de classes e os mapas de calor de anotação no separador Gráficos, e clona-o para treinar o teu próprio modelo na nuvem.

YAML do Dataset#

Um arquivo YAML é usado para definir a configuração do dataset. Ele contém informações sobre os caminhos, classes e outras informações relevantes do dataset. No caso do dataset DOTA8, o arquivo dota8.yaml é mantido em 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 the DOTAv1 split) 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 (1 MB)

# 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

Uso#

Para treinar um modelo YOLO26n-obb no conjunto de dados DOTA8 por 100 épocas com um tamanho de imagem de 640, você pode usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulte a página de Treinamento do modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Exemplos de Imagens e Anotações#

Aqui estão alguns exemplos de imagens do conjunto de dados DOTA8, junto com suas anotações correspondentes:

• Imagem em Mosaico: Esta imagem demonstra um lote de treino composto por imagens do conjunto de dados em mosaico. A mosaicação é uma técnica usada durante o treino que combina múltiplas imagens numa única imagem para aumentar a variedade de objetos e cenas dentro de cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objeto, proporções e contextos.

O exemplo mostra a variedade e a complexidade das imagens no conjunto de dados DOTA8 e os benefícios de usar mosaico durante o processo de treinamento.

Citações e Agradecimentos#

Se você usar o conjunto de dados DOTA em seu trabalho de pesquisa ou desenvolvimento, por favor cite o seguinte artigo:

@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={2022},
  volume={44},
  number={11},
  pages={7778-7796},
  doi={10.1109/TPAMI.2021.3117983}
}

Um agradecimento especial à equipe por trás dos datasets DOTA pelo esforço louvável na curadoria deste dataset. Para uma compreensão exaustiva do dataset e suas nuances, visite o site oficial do DOTA.

FAQ#

O que é o conjunto de dados DOTA8 e como ele pode ser usado?#

O conjunto de dados DOTA8 é um conjunto de dados pequeno e versátil de detecção de objetos orientada, composto pelas 8 primeiras imagens do conjunto DOTAv1, com 4 imagens designadas para treinamento e 4 para validação. É ideal para testar e depurar modelos de detecção de objetos como o Ultralytics YOLO26. Devido ao seu tamanho gerenciável e diversidade, ele ajuda na identificação de erros de pipeline e na execução de verificações básicas antes de implantar conjuntos de dados maiores. Saiba mais sobre detecção de objetos com o Ultralytics YOLO26.

Como posso treinar um modelo YOLO26 usando o conjunto de dados DOTA8?#

Para treinar um modelo YOLO26n-obb no conjunto de dados DOTA8 por 100 épocas com um tamanho de imagem de 640, você pode usar os seguintes trechos de código. Para opções de argumentos abrangentes, consulte a página de Treinamento do modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Quais são os principais recursos do conjunto de dados DOTA e onde posso acessar o arquivo YAML?#

O conjunto de dados DOTA é conhecido por seu benchmark em larga escala e pelos desafios que apresenta para a detecção de objetos em imagens aéreas. O subconjunto DOTA8 é um conjunto de dados menor e gerenciável, ideal para testes iniciais. Você pode acessar o arquivo dota8.yaml, que contém caminhos, classes e detalhes de configuração, neste link do GitHub.

Como o mosaico aprimora o treinamento de modelos com o conjunto de dados DOTA8?#

O mosaico combina várias imagens em uma durante o treinamento, aumentando a variedade de objetos e contextos dentro de cada lote. Isso melhora a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e cenas. Essa técnica pode ser demonstrada visualmente através de um lote de treinamento composto por imagens do conjunto de dados DOTA8 em mosaico, ajudando no desenvolvimento robusto de modelos. Explore mais sobre mosaico e técnicas de treinamento em nossa página de Treinamento.

Por que devo usar o Ultralytics YOLO26 para tarefas de detecção de objetos?#

O Ultralytics YOLO26 oferece recursos de detecção de objetos em tempo real de última geração, incluindo funcionalidades como caixas delimitadoras orientadas (OBB), segmentação de instâncias e um pipeline de treinamento altamente versátil. É adequado para várias aplicações e oferece modelos pré-treinados para um ajuste fino eficiente. Explore mais sobre as vantagens e o uso na documentação do Ultralytics YOLO26.