Набор данных DOTA с OBB#

Датасет DOTA представляет собой крупномасштабный бенчмарк для обнаружения объектов на аэрофотоснимках, выпущенный в трех версиях (v1.0, v1.5, v2.0) с количеством аннотаций Oriented Bounding Box (OBB) до 1,7 млн в 18 категориях, полученных с различных аэросенсоров и платформ.

Ключевые особенности#

• Коллекция с различных датчиков и платформ, размеры изображений варьируются от 800 × 800 до 20 000 × 20 000 пикселей.
• Содержит более 1,7 млн ориентированных ограничивающих рамок по 18 категориям.
• Включает обнаружение объектов в разных масштабах благодаря большому разбросу размеров объектов на каждом изображении.
• Экземпляры размечены экспертами с использованием произвольных (8 степеней свободы) четырехугольников, фиксирующих объекты различных масштабов, ориентаций и форм.

Версии набора данных#

DOTA-v1.0#

• Содержит 15 распространенных категорий.
• Включает 2806 изображений со 188 282 экземплярами.
• Соотношение разделения: 1/2 для обучения (1 411 изображений), 1/6 для валидации (458 изображений) и 1/3 для тестирования (937 изображений).

DOTA-v1.5#

• Включает те же изображения, что и DOTA-v1.0.
• Также размечены очень маленькие экземпляры (менее 10 пикселей).
• Добавлена новая категория: «контейнерный кран».
• Всего 403 318 экземпляров.
• Выпущено для конкурса DOAI 2019 по обнаружению объектов на аэрофотоснимках.

DOTA-v2.0#

• Коллекции из Google Earth, спутника GF-2 и других аэрофотоснимков.
• Содержит 18 распространенных категорий.
• Включает 11 268 изображений с огромным количеством экземпляров — 1 793 658.
• Представлены новые категории: «аэропорт» и «вертолетная площадка».
• Разделение изображений:
  • Обучение: 1830 изображений с 268 627 экземплярами.
  • Проверка: 593 изображения с 81 048 экземплярами.
  • Test-dev: 2792 изображения с 353 346 экземплярами.
  • Test-challenge: 6053 изображения с 1 090 637 экземплярами.

Структура набора данных#

DOTA имеет структурированную компоновку, адаптированную для задач обнаружения объектов с помощью OBB:

• Изображения: обширная коллекция аэрофотоснимков высокого разрешения, фиксирующих разнообразные ландшафты и сооружения.
• Ориентированные ограничивающие рамки: разметка в форме повернутых прямоугольников, охватывающих объекты независимо от их ориентации, идеально подходит для таких объектов, как самолеты, корабли и здания.

Применение#

DOTA служит бенчмарком для обучения и оценки моделей, специально адаптированных для анализа аэрофотоснимков. Благодаря наличию аннотаций OBB он предоставляет уникальную задачу, позволяя разрабатывать специализированные модели обнаружения объектов, учитывающие нюансы аэрофотоснимков. Датасет особенно ценен для приложений в области дистанционного зондирования, наблюдения и экологического мониторинга.

YAML набора данных#

Файл YAML набора данных определяет пути к изображениям/меткам, названия классов и другие важные метаданные. Ultralytics поддерживает официальные файлы YAML для двух наиболее часто используемых версий:

• DOTAv1.yaml
• DOTAv1.5.yaml

Используй YAML, соответствующий скачанной версии, или создай свой собственный YAML, если работаешь с DOTA-v2 или другим производным набором. Оба набора автоматически загружаются (2 ГБ) из активов Ultralytics на GitHub при первом запуске обучения.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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
#     └── DOTAv1 ← downloads here (2 GB)

# 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: 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/assets/releases/download/v0.0.0/DOTAv1.zip

Разделение изображений DOTA#

Исходные изображения обычно превышают 10 000 пикселей с каждой стороны, поэтому перед подачей данных в YOLO требуется их тайлинг. Используй приведенный ниже вспомогательный инструмент, чтобы нарезать исходные изображения на перекрывающиеся фрагменты размером 1024 × 1024 в нескольких масштабах, синхронизируя при этом разметку.

from ultralytics.data.split_dota import split_test, split_trainval

# 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,
)

Использование#

Чтобы обучить модель на датасете DOTA v1, ты можешь использовать следующие фрагменты кода. Всегда обращайся к документации своей модели для получения полного списка доступных аргументов. Для тех, кто хочет сначала поэкспериментировать с меньшим подмножеством, рассмотри возможность использования датасета DOTA8, который содержит всего 8 изображений для быстрого тестирования и доступен для просмотра на платформе Ultralytics.

from ultralytics import YOLO

# Create a new YOLO26n-OBB model from scratch
model = YOLO("yolo26n-obb.yaml")

# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)

Примеры данных и разметки#

Беглый взгляд на набор данных иллюстрирует его глубину:

• Примеры DOTA: Этот снимок подчеркивает сложность аэрофотосцен и важность аннотаций Oriented Bounding Box, фиксирующих объекты в их естественной ориентации.

Богатство датасета предлагает бесценную информацию о проблемах обнаружения объектов, присущих исключительно аэрофотоснимкам. Датасет DOTA-v2.0 стал особенно популярен для проектов дистанционного зондирования и воздушного наблюдения благодаря своим всеобъемлющим аннотациям и разнообразным категориям объектов.

Цитирование и благодарности#

Если ты используешь DOTA в своей работе, пожалуйста, сошлися на соответствующие исследовательские работы:

@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}
}

Особая благодарность команде разработчиков наборов данных DOTA за их колоссальную работу по созданию этого датасета. Для детального понимания датасета и его особенностей посетите официальный сайт DOTA.

FAQ#