Начать

Датасет DOTA8

Введение#

DOTA8 от Ultralytics — небольшой датасет для ориентированного обнаружения объектов, состоящий из первых 8 изображений набора DOTAv1: 4 изображения для обучения и 4 для валидации. Он идеально подходит для тестирования и отладки моделей обнаружения объектов, а также для экспериментов с новыми подходами к обнаружению. Датасет содержит всего 8 изображений, поэтому им легко управлять, но он достаточно разнообразен для проверки конвейеров обучения на ошибки и базовой проверки перед обучением на более крупных датасетах.

Структура набора данных#

  • Изображения: 8 фрагментов аэрофотоснимков из DOTAv1 (4 для обучения, 4 для валидации).

  • Классы: Унаследованы 15 категорий DOTAv1, например самолёт, корабль и крупный транспорт.

  • Метки: Ориентированные ограничивающие рамки в формате YOLO, сохранённые в файлах .txt рядом с каждым изображением.

  • Загрузка: 1 МБ; датасет автоматически загружается из ресурсов Ultralytics на GitHub при первом запуске обучения.

  • Рекомендуемая структура:

    datasets/dota8/
    ├── images/
    │   ├── train/
    │   └── val/
    └── labels/
        ├── train/
        └── val/

Открой DOTA8 на платформе Ultralytics, чтобы просмотреть фрагменты аэрофотоснимков с наложенными ориентированными рамками, изучить распределение классов и тепловые карты аннотаций на вкладке Диаграммы, а также клонировать датасет и обучить собственную модель в облаке.

Файл YAML набора данных#

Для определения конфигурации датасета используется файл YAML. В нём указаны пути к датасету, классы и другая необходимая информация. Для датасета DOTA8 файл dota8.yaml 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 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.zip

Использование#

Чтобы обучить модель YOLO26n-obb на наборе данных DOTA8 в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода.

Пример обучения
from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-obb.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучить модель
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Примеры изображений и аннотаций#

Вот несколько примеров изображений из датасета DOTA8 и соответствующих им аннотаций:

DOTA8 oriented bounding box dataset training mosaic
  • Мозаичное изображение: на изображении показан обучающий батч, составленный из мозаично объединённых изображений датасета. Мозаичное объединение — это метод, применяемый во время обучения: несколько изображений объединяются в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем батче. Это помогает модели лучше обобщать данные для объектов разных размеров, с разными соотношениями сторон и в разных контекстах.

Пример демонстрирует разнообразие и сложность изображений датасета DOTA8, а также преимущества мозаичного объединения при обучении.

Цитирование и благодарности#

Если ты используешь датасет DOTA в исследовательской работе или разработке, процитируй следующую статью:

Цитирование
@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}
}

Благодарим команду, подготовившую датасеты DOTA. Полную информацию о датасете смотри на официальном сайте DOTA.

Часто задаваемые вопросы#

  • DOTA8 — небольшой датасет для ориентированного обнаружения объектов, состоящий из первых 8 изображений набора DOTAv1: 4 изображения предназначены для обучения, 4 — для валидации. Он идеально подходит для тестирования и отладки моделей обнаружения объектов, таких как Ultralytics YOLO26. Благодаря компактности и разнообразию датасет помогает выявлять ошибки в конвейере и выполнять базовые проверки перед обучением на более крупных наборах данных.

  • Чтобы обучить модель YOLO26n-obb на датасете DOTA8 в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Полный список аргументов смотри на странице Обучение модели.

    Пример обучения
    from ultralytics import YOLO
    
    # Загрузить модель
    model = YOLO("yolo26n-obb.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)
    
    # Обучить модель
    results = model.train(data="dota8.yaml", epochs=100, imgsz=640)
  • Датасет DOTA известен масштабным ориентиром и сложностями обнаружения объектов на аэрофотоснимках. Подмножество DOTA8 меньше и удобнее для начальных тестов. Файл конфигурации dota8.yaml, содержащий пути, классы и параметры конфигурации, хранится в репозитории Ultralytics на GitHub.

  • Мозаичное объединение соединяет во время обучения несколько изображений в одно, увеличивая разнообразие объектов и контекстов в каждом батче. Это улучшает способность модели обобщать данные с разными размерами объектов, соотношениями сторон и сценами.

  • Ultralytics YOLO26 поддерживает обнаружение объектов в реальном времени, включая ориентированные ограничивающие рамки (OBB), а также другие задачи, например сегментацию экземпляров, в рамках единого конвейера обучения. Предварительно обученные модели упрощают дообучение.

Комментарии2

Задай вопрос, поделись результатами или помоги кому-нибудь.

    1. Glenn JocherUltralytics

      @expen6ve yes, you can use VisDrone with YOLO OBB by converting your annotations to YOLO OBB format (four corner points with normalized coordinates). Create a dataset YAML file following our DOTA8 example structure, and ensure annotations match the required class_index x1 y1 x2 y2 x3 y3 x4 y4 format. For conversion tools and format details, see our OBB Dataset Guide.