Link to this sectionНабор данных DOTA128#

Link to this sectionВведение#

Ultralytics DOTA128 — это небольшой, но универсальный набор данных для обнаружения объектов с ориентацией, состоящий из 128 изображений из набора DOTAv1, предназначенных для обучения и валидации. Этот набор данных идеально подходит для тестирования и отладки моделей с ориентированными ограничивающими рамками (OBB) или для экспериментов с новыми подходами к обнаружению. Имея 128 изображений, он достаточно мал, чтобы им было легко управлять, но при этом достаточно разнообразен, чтобы проверять конвейеры обучения на наличие ошибок и служить средством быстрой проверки перед обучением на более крупных наборах данных.

Link to this sectionСтруктура 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 крупный транспорт.
• Метки: Ориентированные ограничивающие рамки в формате YOLO, сохраненные в файлах .txt рядом с каждым изображением.

Этот набор данных предназначен для использования с Ultralytics Platform и YOLO26.

Link to this sectionYAML набора данных#

Файл YAML (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях к набору данных, классах и другие соответствующие данные. В случае с набором данных DOTA128 файл dota128.yaml размещен 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.zip

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n-obb на наборе данных DOTA128 в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

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)

Link to this sectionПримеры изображений и аннотаций#

Ниже приведены примеры изображений из набора данных DOTA128 вместе с соответствующими аннотациями:

• Мозаичное изображение: это изображение демонстрирует обучающую выборку, состоящую из мозаичных изображений набора данных. Мозаика — это метод, используемый во время обучения, который объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждой обучающей выборке. Это помогает улучшить способность модели к обобщению на разные размеры объектов, соотношения сторон и контексты.

Пример демонстрирует разнообразие и сложность изображений в наборе данных DOTA128, а также преимущества использования мозаики в процессе обучения.

Link to this sectionЦитирование 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={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3117983}
}

Выражаем особую благодарность команде, стоящей за наборами данных DOTA, за их похвальные усилия по курированию этого набора. Для всестороннего понимания набора данных и его нюансов, пожалуйста, посети официальный сайт DOTA.

Link to this sectionЧасто задаваемые вопросы (FAQ)#

Link to this sectionЧто такое набор данных DOTA128 и как его можно использовать?#

Набор данных DOTA128 — это универсальный набор данных для обнаружения объектов с ориентацией, состоящий из 128 изображений из набора DOTAv1, хранящихся в папке train. Как обучение, так и валидация используют один и тот же набор изображений, что делает его идеальным для быстрых рабочих процессов тестирования и отладки. Он отлично подходит для тестирования и отладки моделей OBB, таких как Ultralytics YOLO26. Благодаря удобному размеру и разнообразию, он помогает выявлять ошибки в конвейерах и выполнять проверки работоспособности перед развертыванием на больших наборах данных. Узнай больше об обнаружении OBB с Ultralytics YOLO26.

Link to this sectionКак обучить модель YOLO26, используя набор данных DOTA128?#

Чтобы обучить модель YOLO26n-obb на наборе данных DOTA128 в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

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)

Link to this sectionКаковы ключевые особенности набора данных DOTA и где я могу получить доступ к файлу YAML?#

Набор данных DOTA известен своим крупномасштабным эталонным тестированием и задачами, которые он представляет для обнаружения объектов на аэрофотоснимках. Подмножество DOTA128 обеспечивает большее разнообразие, чем DOTA8, оставаясь при этом удобным для первоначальных тестов. Ты можешь получить доступ к файлу dota128.yaml, который содержит пути, классы и сведения о конфигурации, по этой ссылке на GitHub.

Link to this sectionЧем DOTA128 отличается от других вариантов набора данных DOTA?#

DOTA128 (128 изображений) по размеру занимает промежуточное положение между DOTA8 (8 изображений) и полным набором 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 и для обучения, и для валидации) — баланс между размером и разнообразием
• Полный DOTA-v1: Содержит 1869 изображений — всеобъемлющий, но ресурсоемкий

DOTA128 представляет собой хорошую «золотую середину», обеспечивая большее разнообразие, чем DOTA8, и оставаясь гораздо более управляемым, чем полный набор данных DOTA, для экспериментов и начальной разработки моделей.

Link to this sectionКак использование мозаики улучшает обучение модели с набором данных DOTA128?#

Мозаика объединяет несколько изображений в одно во время обучения, увеличивая разнообразие объектов и контекстов внутри каждой партии (batch). Это улучшает способность модели обобщать данные для объектов разных размеров, соотношений сторон и сцен. Эту технику можно наглядно продемонстрировать с помощью обучающей партии, состоящей из мозаичных изображений набора данных DOTA128, что способствует более надежной разработке модели. Узнай больше о техниках мозаики и обучения на нашей странице обучения.

Link to this sectionПочему мне стоит использовать Ultralytics YOLO26 для задач обнаружения ориентированных объектов?#

Ultralytics YOLO26 обеспечивает передовые возможности обнаружения объектов в реальном времени, включая такие функции, как ориентированные ограничивающие рамки (OBB), сегментация экземпляров и высокоуниверсальный конвейер обучения. Он подходит для различных приложений и предлагает предобученные модели для эффективной тонкой настройки. Узнай больше о преимуществах и использовании в документации Ultralytics YOLO26.