Набор данных DOTA128#
Введение#
Ultralytics DOTA128 — это небольшой, но универсальный набор данных для обнаружения объектов с ориентированными ограничивающими прямоугольниками, состоящий из 128 изображений из набора DOTAv1 (128 для обучения и валидации). Этот датасет идеально подходит для тестирования и отладки моделей OBB или для экспериментов с новыми подходами к обнаружению. Имея всего 128 изображений, он достаточно мал для удобного управления и при этом достаточно разнообразен, чтобы проверять пайплайны обучения на наличие ошибок и выполнять экспресс-проверку перед обучением на более крупных датасетах.
Структура набора данных#
- Изображения: 128 аэрофотоснимков (все находятся в папке train, используются как для обучения, так и для валидации), взятых из DOTAv1.
- Классы: Наследует 15 категорий DOTAv1, таких как самолет, корабль и крупногабаритный транспорт.
- Метки: ориентированные ограничивающие рамки в формате YOLO, сохраненные в виде файлов
.txtрядом с каждым изображением. - Скачивание: 34 МБ, загружается автоматически из ресурсов GitHub компании Ultralytics при первом запуске обучения.
Этот набор данных предназначен для использования с Ultralytics Platform и YOLO26.
YAML набора данных#
Для определения конфигурации датасета используется YAML-файл. Он содержит информацию о путях к датасету, классах и другие важные данные. В случае с датасетом DOTA128 файл dota128.yaml поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# DOTA128 dataset (128 images from the DOTAv1 split) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota128
# Example usage: yolo train model=yolo26n-obb.pt data=dota128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── dota128 ← downloads here (34 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: dota128 # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/train # val images (relative to 'path') 128 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/dota128.zipИспользование#
Чтобы обучить модель YOLO26n-obb на датасете DOTA128 в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице обучения моделей.
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="dota128.yaml", epochs=100, imgsz=640)Примеры изображений и аннотации#
Вот несколько примеров изображений из набора данных DOTA128 вместе с соответствующими аннотациями:
- Мозаичное изображение: это изображение демонстрирует обучающий пакет, составленный из мозаично собранных изображений. Мозаика — это техника, используемая во время обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем пакете. Это помогает улучшить способность модели к обобщению при работе с объектами различных размеров, соотношений сторон и контекстов.
Пример демонстрирует разнообразие и сложность изображений в наборе данных DOTA128, а также преимущества использования мозаики в процессе обучения.
Цитирование и благодарности#
Если ты используешь набор данных DOTA в своих исследованиях или разработках, пожалуйста, процитируй следующую статью:
@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#
Датасет DOTA128 представляет собой универсальный набор данных для обнаружения ориентированных объектов, состоящий из 128 изображений из набора DOTAv1, которые хранятся в папке train. И для обучения, и для валидации используется один и тот же набор изображений, что делает его идеальным для быстрых рабочих процессов тестирования и отладки. Он отлично подходит для тестирования и отладки OBB-моделей, таких как Ultralytics YOLO26. Благодаря удобному размеру и разнообразию он помогает выявлять ошибки в пайплайне и проводить экспресс-проверки перед развертыванием более крупных датасетов. Узнай больше об обнаружении OBB с помощью Ultralytics YOLO26.
Чтобы обучить модель YOLO26n-obb на датасете DOTA128 в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список параметров аргументов смотри на странице обучения моделей.
Пример обученияfrom 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="dota128.yaml", epochs=100, imgsz=640)Датасет DOTA известен своим крупномасштабным бенчмарком и сложностями, которые он создает для обнаружения объектов на аэрофотоснимках. Подмножество DOTA128 обеспечивает больший уровень разнообразия по сравнению с DOTA8, оставаясь при этом удобным для первоначальных тестов. Ты можешь получить доступ к файлу
dota128.yaml, содержащему пути, классы и сведения о конфигурации, по этой ссылке на GitHub.По своему размеру DOTA128 (128 изображений) занимает промежуточное положение между DOTA8 (8 изображений) и полным датасетом DOTA-v1 (1869 изображений):
- DOTA8: содержит всего 8 изображений (4 для обучения, 4 для валидации) — идеально для быстрых тестов и отладки.
- DOTA128: содержит 128 изображений (все в папке train, используются как для обучения, так и для валидации) — баланс между объемом и разнообразием.
- Полный DOTA-v1: содержит 1 869 изображений — всеобъемлющий, но ресурсоемкий.
DOTA128 — это хорошая «золотая середина», предлагающая большее разнообразие, чем DOTA8, при этом оставаясь гораздо более удобной в работе, чем полный набор данных DOTA, для экспериментов и начальной разработки моделей.
Мозаичное объединение (мозаика) соединяет несколько изображений в одно во время обучения, увеличивая разнообразие объектов и контекстов в каждом батче. Это улучшает способность модели обобщать данные для разных размеров объектов, соотношений сторон и сценарных условий. Данную технику можно наглядно продемонстрировать с помощью обучающего батча, состоящего из мозаичных изображений датасета DOTA128, что способствует надежной разработке моделей. Узнай больше о мозаике и методах обучения на нашей странице обучения.
Ultralytics YOLO26 обеспечивает передовые возможности обнаружения объектов в реальном времени, включая такие функции, как ориентированные ограничивающие рамки (OBB), сегментация экземпляров и высокоуниверсальный конвейер обучения. Она подходит для различных приложений и предлагает предобученные модели для эффективной тонкой настройки. Узнай больше о преимуществах и использовании в документации Ultralytics YOLO26.