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 š, 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
# āāā ultralytics
# āāā datasets
# āāā 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, consulte a pĆ”gina Treinamento do modelo.
Exemplo de comboio
Exemplos de imagens e anotaƧƵes
Aqui estĆ£o alguns exemplos de imagens do conjunto de dados DOTA8, juntamente com as anotaƧƵes correspondentes:
- 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 gratidĆ£o Ć equipa responsĆ”vel pelos 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.