Набор данных DOTA8
Введение
Ultralytics DOTA8 — это небольшой, но универсальный набор данных для обнаружения объектов с ориентированными рамками, состоящий из первых 8 изображений разделенного набора DOTAv1: 4 для обучения и 4 для проверки. Этот набор данных идеально подходит для тестирования и отладки моделей обнаружения объектов или для экспериментов с новыми подходами к детектированию. Благодаря тому, что в нем всего 8 изображений, он достаточно мал, чтобы с ним было легко работать, и при этом достаточно разнообразен, чтобы проверять пайплайны обучения на наличие ошибок и проводить первичную проверку перед обучением на более крупных наборах данных.
Структура набора данных
-
Изображения: 8 аэрофотоснимков (4 для обучения, 4 для проверки), полученных из DOTAv1.
-
Классы: Наследует 15 категорий из DOTAv1, таких как самолет, корабль и крупногабаритный транспорт.
-
Разметка: Ориентированные ограничивающие рамки в формате YOLO, сохраненные в файлах
.txtрядом с каждым изображением. -
Рекомендуемая структура:
datasets/dota8/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/
Этот набор данных предназначен для использования с Ultralytics Platform и YOLO26.
YAML набора данных
Для определения конфигурации набора данных используется файл YAML (Yet Another Markup Language). Он содержит информацию о путях к данным, классах и другую важную информацию. Для набора данных DOTA8 файл dota8.yaml находится по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# DOTA8 dataset (8 images from the DOTAv1 split) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota8/
# Example usage: yolo train model=yolov8n-obb.pt data=dota8.yaml
# parent
# ├── ultralytics
# └── datasets
# └── dota8 ← downloads here (1 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: 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/assets/releases/download/v0.0.0/dota8.zipИспользование
Чтобы обучить модель YOLO26n-obb на наборе данных DOTA8 в течение 100 эпох с размером изображения 640, воспользуйся следующими фрагментами кода. Полный список доступных аргументов можно найти на странице Обучение 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="dota8.yaml", epochs=100, imgsz=640)Примеры изображений и аннотаций
Вот несколько примеров изображений из набора DOTA8 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.
Этот пример демонстрирует разнообразие и сложность изображений в наборе DOTA8, а также преимущества использования мозаики в процессе обучения.
Цитирование и благодарности
Если ты используешь набор данных DOTA в своих исследованиях или разработках, пожалуйста, сошлися 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}
}Выражаем особую благодарность команде, создавшей наборы данных DOTA, за их похвальную работу по подготовке этого набора. Для полного понимания данных и их нюансов, пожалуйста, посети официальный веб-сайт DOTA.
Часто задаваемые вопросы (FAQ)
Что такое набор данных DOTA8 и как его использовать?
Набор данных DOTA8 — это небольшой универсальный набор для обнаружения объектов с ориентированными рамками, состоящий из первых 8 изображений из разделенного набора DOTAv1: 4 изображения предназначены для обучения и 4 для проверки. Он идеально подходит для тестирования и отладки моделей обнаружения объектов, таких как Ultralytics YOLO26. Благодаря удобному размеру и разнообразию, он помогает выявлять ошибки в пайплайнах и проводить проверку перед использованием более крупных наборов данных. Узнай больше об обнаружении объектов с помощью Ultralytics YOLO26.
Как мне обучить модель YOLO26, используя набор данных DOTA8?
Чтобы обучить модель YOLO26n-obb на наборе данных DOTA8 в течение 100 эпох с размером изображения 640, ты можешь воспользоваться следующими фрагментами кода. Для получения полного списка аргументов обратись к странице Обучение 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="dota8.yaml", epochs=100, imgsz=640)Каковы ключевые особенности набора данных DOTA и где я могу найти файл YAML?
Набор данных DOTA известен как масштабный бенчмарк, создающий задачи для обнаружения объектов на аэрофотоснимках. Подмножество DOTA8 — это меньший, удобный для работы набор данных, идеально подходящий для начальных тестов. Ты можешь найти файл dota8.yaml, содержащий пути, классы и детали конфигурации, по этой ссылке на GitHub.
Как мозаика улучшает обучение модели на наборе данных DOTA8?
Мозаика объединяет несколько изображений в одно во время обучения, увеличивая разнообразие объектов и контекстов в каждом пакете (batch). Это улучшает способность модели обобщать данные для разных размеров объектов, соотношений сторон и сцен. Эту технику можно наглядно продемонстрировать через обучающий пакет, состоящий из мозаичных изображений набора DOTA8, что помогает в создании надежных моделей. Узнай больше о мозаике и методах обучения на нашей странице Обучение.
Почему мне стоит использовать Ultralytics YOLO26 для задач обнаружения объектов?
Ultralytics YOLO26 обеспечивает передовые возможности обнаружения объектов в реальном времени, включая функции, такие как ориентированные ограничивающие рамки (OBB), сегментация экземпляров и высокоуниверсальный пайплайн обучения. Он подходит для различных приложений и предлагает предобученные модели для эффективной тонкой настройки (fine-tuning). Узнай больше о преимуществах и использовании в документации Ultralytics YOLO26.