Набор данных DOTA8
Введение
Ultralytics DOTA8 — это небольшой, но универсальный набор данных ориентированного обнаружения объектов, состоящий из первых 8 изображений из 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 обнаружению. Благодаря 8 изображениям он достаточно мал, чтобы им было легко управлять, но достаточно разнообразен, чтобы тестировать конвейеры обучения на наличие ошибок и действовать в качестве проверки работоспособности перед обучением на больших наборах данных.
Этот набор данных предназначен для использования с Ultralytics HUB и YOLO11.
YAML-файл набора данных
YAML-файл (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях к набору данных, классах и другую важную информацию. В случае набора данных DOTA8, dota8.yaml
файл поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.
ultralytics/cfg/datasets/dota8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# DOTA8 dataset 8 images from split DOTAv1 dataset 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 (1MB)
# 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.zip
Использование
Чтобы обучить модель YOLO11n-obb на наборе данных DOTA8 в течение 100 эпох с размером изображения 640, вы можете использовать следующие фрагменты кода. Для получения полного списка доступных аргументов обратитесь к странице Обучение модели.
Пример обучения
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-obb.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolo11n-obb.pt epochs=100 imgsz=640
Примеры изображений и аннотации
Вот несколько примеров изображений из набора данных DOTA8 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 DOTA8 и 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 DOTA8 и как его можно использовать?
Датасет DOTA8 — это небольшой, универсальный датасет для обнаружения ориентированных объектов, состоящий из первых 8 изображений из набора DOTAv1 split, с 4 изображениями, предназначенными для обучения, и 4 — для валидации. Он идеально подходит для тестирования и отладки моделей обнаружения объектов, таких как Ultralytics YOLO11. Благодаря своему управляемому размеру и разнообразию, он помогает выявлять ошибки конвейера и запускать проверки работоспособности перед развертыванием более крупных наборов данных. Узнайте больше об обнаружении объектов с помощью Ultralytics YOLO11.
Как обучить модель YOLO11, используя набор данных DOTA8?
Чтобы обучить модель YOLO11n-obb на наборе данных DOTA8 в течение 100 эпох с размером изображения 640, вы можете использовать следующие фрагменты кода. Для получения исчерпывающих сведений об аргументах обратитесь к странице Training модели.
Пример обучения
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-obb.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolo11n-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 масштабным эталоном и проблемами, которые он представляет для обнаружения объектов на аэрофотоснимках. Подмножество DOTA8 — это меньший, управляемый набор данных, идеально подходящий для начальных тестов. Вы можете получить доступ к dota8.yaml
файл, который содержит пути, классы и детали конфигурации, по этому адресу Ссылка на GitHub.
Как мозаика улучшает обучение модели с набором данных DOTA8?
Mosaicing объединяет несколько изображений в одно во время обучения, увеличивая разнообразие объектов и контекстов в каждом пакете. Это улучшает способность модели обобщать различные размеры объектов, соотношения сторон и сцены. Этот метод можно визуально продемонстрировать с помощью обучающего пакета, состоящего из мозаичных изображений набора данных DOTA8, что помогает в надежной разработке модели. Узнайте больше о mosaicing и методах обучения на нашей странице Training.
Почему мне следует использовать Ultralytics YOLO11 для задач обнаружения объектов?
Ultralytics YOLO11 предоставляет современные возможности обнаружения объектов в реальном времени, включая такие функции, как ориентированные ограничивающие рамки (OBB), сегментация экземпляров и универсальный конвейер обучения. Он подходит для различных приложений и предлагает предварительно обученные модели для эффективной тонкой настройки. Узнайте больше о преимуществах и использовании в документации Ultralytics YOLO11.