Набор данных DOTA128
Введение
Ultralytics DOTA128 — это небольшой, но универсальный набор данных для обнаружения объектов, состоящий из 128 изображений из набора DOTAv1, 128 из которых предназначены для обучения и проверки. Этот набор данных идеально подходит для тестирования и отладки моделей ориентированных ограничительных рамок (OBB) или для экспериментов с новыми подходами к обнаружению. Благодаря 128 изображениям он достаточно небольшой, чтобы им было легко управлять, но при этом достаточно разнообразный, чтобы тестировать обучающие конвейеры на наличие ошибок и выполнять проверку работоспособности перед обучением более крупных наборов данных.
Структура набора данных
- Изображения: 128 воздушных плиток (все в папке train, используются как для train, так и для val) получены из DOTAv1.
- Классы: Наследует 15 категорий DOTAv1, таких как самолет, корабль и крупное транспортное средство.
- Метки: Ориентированные ограничивающие рамки в формате YOLO, сохраненные как
.txtfiles рядом с каждым изображением.
Этот набор данных предназначен для использования с Ultralytics Platform и YOLO26.
YAML-файл набора данных
Для определения конфигурации набора данных используется файл YAML (Yet Another Markup Language). Он содержит информацию о путях к набору данных, классах и другую соответствующую информацию. В случае набора данных DOTA128 файл dota128.yaml файл поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml.
ultralytics.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
Использование
Чтобы обучитьobb на наборе данных DOTA128 в течение 100 эпох с размером изображения 640, можно использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице «Обучение модели».
Пример обучения
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)
# Start training from a pretrained *.pt model
yolo obb train data=dota128.yaml model=yolo26n-obb.pt epochs=100 imgsz=640
Примеры изображений и аннотации
Вот несколько примеров изображений из набора данных DOTA128 вместе с соответствующими аннотациями:
- Скомпилированное изображение: Это изображение демонстрирует пакет обучения, состоящий из скомпилированных изображений набора данных. Компиляция — это метод, используемый во время обучения, который объединяет несколько изображений в одно изображение, чтобы увеличить разнообразие объектов и сцен в каждом пакете обучения. Это помогает улучшить способность модели обобщать различные размеры объектов, соотношения сторон и контексты.
Этот пример демонстрирует разнообразие и сложность изображений в наборе данных DOTA128, а также преимущества использования мозаики в процессе обучения.
Цитирование и благодарности
Если вы используете набор данных DOTA в своих исследованиях или разработках, пожалуйста, сошлитесь на 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}
}
Особая благодарность команде, стоящей за наборами данных DOTA, за их похвальные усилия по курированию этого набора данных. Для исчерпывающего понимания набора данных и его нюансов, пожалуйста, посетите официальный веб-сайт DOTA.
Часто задаваемые вопросы
Что такое набор данных DOTA128 и как его можно использовать?
Набор данных DOTA128 — это универсальный набор данных для обнаружения ориентированных объектов, состоящий из 128 изображений из набора DOTAv1, все из которых хранятся в папке train. Для обучения и валидации используется один и тот же набор изображений, что делает его идеальным для быстрого тестирования и отладки рабочих процессов. Он идеально подходит для тестирования и отладки моделей OBB, таких как Ultralytics . Благодаря удобному размеру и разнообразию, он помогает выявлять ошибки в конвейере и проводить проверки работоспособности перед развертыванием более крупных наборов данных. Узнайте больше об обнаружении OBB с помощью Ultralytics .
Как обучить модель YOLO26 с использованием набора данных DOTA128?
Чтобы обучитьobb на наборе данных DOTA128 в течение 100 эпох с размером изображения 640, можно использовать следующие фрагменты кода. Полный список аргументов см. на странице «Обучение модели».
Пример обучения
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)
# Start training from a pretrained *.pt model
yolo obb train data=dota128.yaml model=yolo26n-obb.pt epochs=100 imgsz=640
Каковы основные характеристики набора данных DOTA и где я могу получить доступ к YAML-файлу?
Набор данных DOTA известен своим крупномасштабным тестом и сложностями, которые он представляет для обнаружения объектов на аэрофотоснимках. Поднабор DOTA128 обеспечивает большее разнообразие, чем DOTA8, оставаясь при этом удобным для первоначальных тестов. Вы можете получить доступ к dota128.yaml файл, который содержит пути, классы и детали конфигурации, по этому адресу Ссылка на GitHub.
Как DOTA128 сравнивается с другими вариантами наборов данных DOTA?
DOTA128 (128 изображений) по размеру находится между DOTA8 (8 изображений) и полным набором данных DOTA-v1 (1869 изображений):
- DOTA8: Содержит всего 8 изображений (4 train, 4 val) — идеально подходит для быстрых тестов и отладки.
- DOTA128: Содержит 128 изображений (все в папке train, используются как для train, так и для val) — сбалансированные по размеру и разнообразию.
- Полная версия DOTA-v1: содержит 1869 изображений — всеобъемлющая, но требует больших ресурсов
DOTA128 представляет собой хороший компромисс, предлагая больше разнообразия, чем DOTA8, и при этом оставаясь гораздо более управляемым, чем полный набор данных DOTA, для экспериментов и первоначальной разработки моделей.
Как мозаика улучшает обучение модели с использованием набора данных DOTA128?
Мозаика объединяет несколько изображений в одно во время обучения, увеличивая разнообразие объектов и контекстов в каждой партии. Это улучшает способность модели обобщать различные размеры объектов, соотношения сторон и сцены. Эта техника может быть наглядно продемонстрирована с помощью партии для обучения, состоящей из мозаичных изображений набора данных DOTA128, что помогает в разработке надежной модели. Узнайте больше о мозаике и техниках обучения на нашей странице «Обучение ».
Почему я должен использовать Ultralytics для задач ориентированного обнаружения объектов?
Ultralytics YOLO26 предоставляет передовые возможности обнаружения объектов в реальном времени, включая такие функции, как ориентированные ограничивающие рамки (OBB), сегментация экземпляров и очень универсальный конвейер обучения. Он подходит для различных приложений и предлагает предварительно обученные модели для эффективного дообучения. Подробнее о преимуществах и использовании см. в документации Ultralytics YOLO26.
