Набор данных DOTA8

Введение

Ultralytics DOTA8 - это небольшой, но универсальный набор данных для обнаружения объектов, состоящий из первых 8 изображений из 8 изображений разделенного набора DOTAv1, 4 для обучения и 4 для проверки. Этот набор данных идеально подходит для тестирования и отладки моделей обнаружения объектов, а также для экспериментов с новыми подходами к обнаружению. 8 изображений достаточно малы, чтобы ими можно было легко управлять, но при этом достаточно разнообразны, чтобы проверить обучающие конвейеры на наличие ошибок и послужить проверкой на вменяемость перед обучением более крупных наборов данных.

Этот набор данных предназначен для использования с Ultralytics HUB и YOLOv8.

Набор данных YAML

Для определения конфигурации набора данных используется файл YAML (Yet Another Markup Language). В нем содержится информация о путях, классах и других важных сведениях датасета. В случае с набором данных DOTA8 файл YAML dota8.yaml файл хранится по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 YOLOv8n-obb на наборе данных DOTA8 в течение 100 эпох при размере изображения 640, ты можешь воспользоваться следующими фрагментами кода. Полный список доступных аргументов можно найти на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-obb.pt epochs=100 imgsz=640

Примеры изображений и аннотаций

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

• Мозаичное изображение: Это изображение демонстрирует тренировочную партию, состоящую из мозаичных изображений набора данных. Мозаика - это техника, используемая во время обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждой обучающей партии. Это помогает улучшить способность модели к обобщению на различные размеры объектов, соотношение сторон и контекст.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных DOTA8 и преимущества использования мозаики в процессе обучения.

Цитаты и благодарности

Если ты используешь набор данных DOTA в своих исследованиях или разработках, пожалуйста, ссылайся 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}
}

Отдельная благодарность команде, стоящей за набором данных DOTA, за их похвальные усилия по курированию этого набора данных. Чтобы получить исчерпывающее представление о наборе данных и его нюансах, посети официальный сайт DOTA.

ВОПРОСЫ И ОТВЕТЫ

Что такое набор данных DOTA8 и как его можно использовать?

Набор данных DOTA8 - это небольшой универсальный набор данных для обнаружения объектов, состоящий из первых 8 изображений из разделенного набора DOTAv1, причем 4 изображения предназначены для обучения, а 4 - для проверки. Он идеально подходит для тестирования и отладки моделей обнаружения объектов, таких как Ultralytics YOLOv8 . Благодаря управляемому размеру и разнообразию он помогает выявить ошибки в работе конвейера и провести проверку на вменяемость перед развертыванием более крупных наборов данных. Узнай больше об обнаружении объектов с помощью Ultralytics YOLOv8.

Как обучить модель YOLOv8 , используя набор данных DOTA8?

Чтобы обучить модель YOLOv8n-obb на наборе данных DOTA8 в течение 100 эпох при размере изображения 640, ты можешь воспользоваться следующими фрагментами кода. Все параметры аргументов приведены на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-obb.pt epochs=100 imgsz=640

Каковы ключевые особенности 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. Ты можешь получить доступ к dota8.yaml Файл, содержащий пути, классы и детали конфигурации, в этом Ссылка 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 каждой партии. Это улучшает способность модели к обобщению на различные размеры объектов, соотношение сторон и сцены. Эту технику можно наглядно продемонстрировать на примере обучающей партии, состоящей из мозаичных изображений набора данных DOTA8, что поможет в разработке надежной модели. Узнай больше о мозаике и методах обучения на нашей странице " Обучение ".

Почему мне стоит использовать Ultralytics YOLOv8 для задач по обнаружению объектов?

Ultralytics YOLOv8 обеспечивает самые современные возможности обнаружения объектов в реальном времени, включая такие функции, как ориентированные ограничительные рамки (OBB), сегментация экземпляров и очень универсальный конвейер обучения. Он подходит для различных приложений и предлагает предварительно обученные модели для эффективной тонкой настройки. Подробнее о преимуществах и использовании читай в документацииUltralytics YOLOv8 .

📅 Created 8 months ago ✏️ Updated 7 days ago

Комментарии