Link to this sectionНабор данных DOTA8#

Link to this sectionВведение#

Ultralytics DOTA8 — это небольшой, но универсальный набор данных для обнаружения объектов с ориентированными рамками, 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. Имея всего 8 изображений, он достаточно мал для удобного управления, но при этом достаточно разнообразен, чтобы проверять пайплайны обучения на наличие ошибок и выполнять базовую проверку перед обучением на более крупных наборах данных.

Link to this sectionСтруктура набора данных#

Изображения: 8 аэрофотоснимков (4 для обучения, 4 для валидации), взятых из DOTAv1.
Классы: Наследует 15 категорий DOTAv1, таких как самолет, корабль и крупногабаритный транспорт.
Разметка: Ориентированные ограничивающие рамки в формате YOLO, сохраненные в файлах .txt рядом с каждым изображением.

Рекомендуемая структура:

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

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 важные сведения. В случае с набором данных DOTA8 файл dota8.yaml находится 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

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n-obb на наборе данных DOTA8 в течение 100 эпох с размером изображения 640, можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри 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="dota8.yaml", epochs=100, imgsz=640)

Link to this sectionПримеры изображений и аннотации#

Вот несколько примеров изображений из набора данных DOTA8 вместе с соответствующими аннотациями:

DOTA8 oriented bounding box dataset training mosaic

Мозаичное изображение: это изображение демонстрирует обучающий пакет, составленный из мозаично собранных изображений. Мозаика — это техника, используемая во время обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем пакете. Это помогает улучшить способность модели к обобщению при работе с объектами различных размеров, соотношений сторон и контекстов.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных DOTA8, а также преимущества использования мозаики (mosaicing) в процессе обучения.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных DOTA в своих исследованиях или разработках, пожалуйста, процитируй следующую статью:

Цитата

@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 созданию этого набора. Для исчерпывающего понимания набора данных и его нюансов, пожалуйста, посети официальный сайт DOTA.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных DOTA8 и как его можно использовать?#

Набор данных DOTA8 — это небольшой универсальный набор данных для обнаружения ориентированных объектов, состоящий из первых 8 изображений из разделенного набора DOTAv1 (4 изображения для обучения и 4 для валидации). Он идеально подходит для тестирования и отладки моделей обнаружения объектов, таких как Ultralytics YOLO26. Благодаря удобному размеру и разнообразию, он помогает выявлять ошибки в пайплайне и выполнять базовую проверку перед развертыванием на больших наборах данных. Узнай больше об обнаружении объектов с помощью Ultralytics YOLO26.

Link to this sectionКак обучить модель YOLO26 с использованием набора данных DOTA8?#

Чтобы обучить модель YOLO26n-obb на наборе данных DOTA8 в течение 100 эпох с размером изображения 640, можешь использовать следующие фрагменты кода. Полный список аргументов смотри 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="dota8.yaml", epochs=100, imgsz=640)

Link to this sectionКаковы ключевые особенности набора данных DOTA и где можно найти файл YAML?#

Набор данных DOTA известен своим масштабным бенчмарком и сложностями, которые он создает для обнаружения объектов на аэрофотоснимках. Подмножество DOTA8 — это меньший и более удобный набор данных, идеально подходящий для начальных тестов. Ты можешь получить доступ к файлу dota8.yaml, который содержит пути, классы и конфигурационные данные, по этой ссылке на GitHub.

Link to this sectionКак мозаика (mosaicing) улучшает обучение моделей с использованием набора данных DOTA8?#

Мозаика объединяет несколько изображений в одно во время обучения, увеличивая разнообразие объектов и контекстов внутри каждого батча. Это улучшает способность модели к обобщению на объектах разных размеров, соотношений сторон и сцен. Эту технику можно наглядно продемонстрировать с помощью обучающего батча, составленного из мозаичных изображений DOTA8, что помогает в разработке надежных моделей. Узнай больше о мозаике и методах обучения на нашей странице Обучение.

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

Ultralytics YOLO26 обеспечивает передовые возможности обнаружения объектов в реальном времени, включая такие функции, как ориентированные ограничивающие рамки (OBB), сегментация экземпляров и высокоуниверсальный пайплайн обучения. Модель подходит для различных приложений и предлагает предобученные веса для эффективной донастройки (fine-tuning). Изучи подробнее преимущества и методы использования в документации Ultralytics YOLO26.

Участники

GLglenn-jocher¹¹ MAMatthewNoyce¹ RIRizwanMunawar¹ LALaughing-q¹

Создано 8 янв. 2024 г.Обновлено 6 дней назад