Salta para o conteĆŗdo

Conjunto de dados DOTA8

IntroduĆ§Ć£o

Ultralytics O DOTA8 Ć© um pequeno, mas versĆ”til conjunto de dados de deteĆ§Ć£o de objectos orientados, composto pelas primeiras 8 imagens de 8 imagens do conjunto DOTAv1 dividido, 4 para treino e 4 para validaĆ§Ć£o. Este conjunto de dados Ć© ideal para testar e depurar modelos de deteĆ§Ć£o de objectos, ou para experimentar novas abordagens de deteĆ§Ć£o. Com 8 imagens, Ć© suficientemente pequeno para ser facilmente gerĆ­vel, mas suficientemente diversificado para testar os pipelines de treino quanto a erros e atuar como uma verificaĆ§Ć£o de sanidade antes de treinar conjuntos de dados maiores.

Este conjunto de dados destina-se a ser utilizado com Ultralytics HUB e YOLOv8.

Conjunto de dados YAML

Um ficheiro YAML (Yet Another Markup Language) Ć© utilizado para definir a configuraĆ§Ć£o do conjunto de dados. ContĆ©m informaƧƵes sobre os caminhos do conjunto de dados, classes e outras informaƧƵes relevantes. No caso do conjunto de dados DOTA8, o ficheiro dota8.yaml Ć© mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.

ultralytics/cfg/datasets/dota8.yaml

# Ultralytics YOLO šŸš€, 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
# ā”œā”€ā”€ ultralytics
# ā””ā”€ā”€ datasets
#     ā””ā”€ā”€ dota8  ā† 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/yolov5/releases/download/v1.0/dota8.zip

UtilizaĆ§Ć£o

Para treinar um modelo YOLOv8n-obb no conjunto de dados DOTA8 para 100 Ć©pocas com um tamanho de imagem de 640, podes usar os seguintes snippets de cĆ³digo. Para obter uma lista abrangente dos argumentos disponĆ­veis, consulta a pĆ”gina Treinamento do modelo.

Exemplo de comboio

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

Exemplos de imagens e anotaƧƵes

Aqui estĆ£o alguns exemplos de imagens do conjunto de dados DOTA8, juntamente com as anotaƧƵes correspondentes:

Imagem de amostra do conjunto de dados

  • Imagem em mosaico: Esta imagem demonstra um lote de treino composto por imagens do conjunto de dados em mosaico. O mosaico Ć© uma tĆ©cnica utilizada durante o treino que combina vĆ”rias imagens numa Ćŗnica imagem para aumentar a variedade de objectos e cenas em cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objectos, proporƧƵes e contextos.

O exemplo mostra a variedade e complexidade das imagens no conjunto de dados DOTA8 e os benefĆ­cios da utilizaĆ§Ć£o de mosaicos durante o processo de formaĆ§Ć£o.

CitaƧƵes e agradecimentos

Se utilizares o conjunto de dados DOTA no teu trabalho de investigaĆ§Ć£o ou desenvolvimento, cita o seguinte documento:

@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 agradecimento Ć  equipa por detrĆ”s dos conjuntos de dados DOTA pelo seu esforƧo louvĆ”vel na curadoria deste conjunto de dados. Para uma compreensĆ£o exaustiva do conjunto de dados e das suas nuances, visita o sĆ­tio Web oficial do DOTA.



Criado em 2024-01-09, Atualizado em 2024-01-09
Autores: Rir-q (1)

ComentƔrios