İçeriğe geç

Yönlendirilmiş Sınırlayıcı Kutu (OBB) Veri Kümelerine Genel Bakış

Training a precise object detection model with oriented bounding boxes (OBB) requires a thorough dataset. This guide explains the various OBB dataset formats compatible with Ultralytics YOLO models, offering insights into their structure, application, and methods for format conversions.

Desteklenen OBB Veri Kümesi Formatları

YOLO OBB Formatı

YOLO OBB formatı, sınırlayıcı kutuları 0 ile 1 arasında normalleştirilmiş koordinatlara sahip dört köşe noktasıyla belirler:

class_index x1 y1 x2 y2 x3 y3 x4 y4

Dahili olarak, YOLO kayıpları ve çıktıları aşağıdaki şekilde işler xywhr format, which represents the bounding box's center point (xy), width, height, and rotation.

OBB biçimi örnekleri

Bir örnek *.txt sınıfından bir nesne içeren yukarıdaki görüntü için etiket dosyası 0 OBB formatında, şöyle görünebilir:

0 0.780811 0.743961 0.782371 0.74686 0.777691 0.752174 0.776131 0.749758

Kullanım

Bu OBB formatlarını kullanarak bir modeli eğitmek için:

Örnek

from ultralytics import YOLO

# Create a new YOLO11n-OBB model from scratch
model = YOLO("yolo11n-obb.yaml")

# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)
# Train a new YOLO11n-OBB model on the DOTAv1 dataset
yolo obb train data=DOTAv1.yaml model=yolo11n-obb.pt epochs=100 imgsz=1024

Desteklenen Veri Setleri

Şu anda, Yönlendirilmiş Sınırlayıcı Kutulara sahip aşağıdaki veri kümeleri desteklenmektedir:

  • DOTA-v1: The first version of the DOTA dataset, providing a comprehensive set of aerial images with oriented bounding boxes for object detection.
  • DOTA-v1.5: An intermediate version of the DOTA dataset, offering additional annotations and improvements over DOTA-v1 for enhanced object detection tasks.
  • DOTA-v2: DOTA (A Large-scale Dataset for Object Detection in Aerial Images) sürüm 2, hava perspektiflerinden algılamayı vurgular ve 1,7 milyon örnek ve 11.268 görüntü ile yönlendirilmiş sınırlayıcı kutular içerir.
  • DOTA8: İş akışlarının test edilmesi ve OBB eğitiminin Sürekli Entegrasyon (CI) kontrolleri için uygun olan tam DOTA veri kümesinin küçük, 8 görüntülük bir alt kümesi ultralytics Depo.

Kendi OBB veri setinizi dahil etme

Yönlendirilmiş sınırlayıcı kutularla kendi veri kümelerini tanıtmak isteyenler için, yukarıda bahsedilen "YOLO OBB formatı" ile uyumluluğu sağlayın. Ek açıklamalarınızı bu gerekli biçime dönüştürün ve yolları, sınıfları ve sınıf adlarını ilgili bir YAML yapılandırma dosyasında detaylandırın.

Etiket Formatlarını Dönüştürme

DOTA Veri Seti Formatından YOLO OBB Formatına

Etiketlerin DOTA veri seti formatından YOLO OBB formatına geçişi bu kod ile gerçekleştirilebilir:

Örnek

from ultralytics.data.converter import convert_dota_to_yolo_obb

convert_dota_to_yolo_obb("path/to/DOTA")

Bu dönüştürme mekanizması DOTA formatındaki veri kümeleri için çok önemlidir ve Ultralytics YOLO OBB formatıyla uyumluluk sağlar.

Veri kümesinin modelinizle uyumluluğunu doğrulamak ve gerekli format kurallarına uymak zorunludur. Düzgün yapılandırılmış veri kümeleri, yönlendirilmiş sınırlayıcı kutulara sahip verimli nesne algılama modellerini eğitmek için çok önemlidir.

SSS

Yönlendirilmiş Sınırlayıcı Kutular (OBB) nedir ve Ultralytics YOLO modellerinde nasıl kullanılır?

Yönlendirilmiş Sınırlayıcı Kutular (OBB), kutunun sadece eksenle hizalanmak yerine tespit edilen nesneyle daha yakın hizalanacak şekilde döndürülebildiği bir tür sınırlayıcı kutu ek açıklamasıdır. Bu özellikle nesnelerin görüntü eksenleriyle hizalanamayabileceği hava veya uydu görüntülerinde kullanışlıdır. Ultralytics YOLO modellerinde, OBB'ler YOLO OBB formatında dört köşe noktasıyla temsil edilir. Bu, sınırlayıcı kutular nesnelere daha iyi uyacak şekilde dönebildiğinden daha doğru nesne tespitine olanak tanır.

How do I convert my existing DOTA dataset labels to YOLO OBB format for use with Ultralytics YOLO11?

DOTA veri seti etiketlerini YOLO OBB formatına dönüştürmek için convert_dota_to_yolo_obb UltralyticsBu dönüşüm, Ultralytics YOLO modelleriyle uyumluluk sağlayarak gelişmiş nesne algılama için OBB özelliklerinden yararlanmanıza olanak tanır. İşte hızlı bir örnek:

from ultralytics.data.converter import convert_dota_to_yolo_obb

convert_dota_to_yolo_obb("path/to/DOTA")

Bu betik, DOTA ek açıklamalarınızı YOLO uyumlu bir biçime dönüştürür.

How do I train a YOLO11 model with oriented bounding boxes (OBB) on my dataset?

Training a YOLO11 model with OBBs involves ensuring your dataset is in the YOLO OBB format and then using the Ultralytics API to train the model. Here's an example in both Python and CLI:

Örnek

from ultralytics import YOLO

# Create a new YOLO11n-OBB model from scratch
model = YOLO("yolo11n-obb.yaml")

# Train the model on the custom dataset
results = model.train(data="your_dataset.yaml", epochs=100, imgsz=640)
# Train a new YOLO11n-OBB model on the custom dataset
yolo obb train data=your_dataset.yaml model=yolo11n-obb.yaml epochs=100 imgsz=640

This ensures your model leverages the detailed OBB annotations for improved detection accuracy.

Şu anda Ultralytics YOLO modellerinde OBB eğitimi için hangi veri kümeleri desteklenmektedir?

Şu anda Ultralytics , OBB eğitimi için aşağıdaki veri kümelerini desteklemektedir:

  • DOTA-v1: The first version of the DOTA dataset, providing a comprehensive set of aerial images with oriented bounding boxes for object detection.
  • DOTA-v1.5: An intermediate version of the DOTA dataset, offering additional annotations and improvements over DOTA-v1 for enhanced object detection tasks.
  • DOTA-v2: Bu veri kümesi, yönlendirilmiş sınırlayıcı kutulara sahip 1,7 milyon örnek ve 11.268 görüntü içerir ve öncelikle havadan nesne tespitine odaklanır.
  • DOTA8: Test ve sürekli entegrasyon (CI) kontrolleri için kullanılan DOTA veri kümesinin daha küçük, 8 görüntülük bir alt kümesi.

Bu veri setleri, OBB'lerin hava ve uydu görüntü analizi gibi önemli bir avantaj sunduğu senaryolar için özel olarak tasarlanmıştır.

Can I use my own dataset with oriented bounding boxes for YOLO11 training, and if so, how?

Yes, you can use your own dataset with oriented bounding boxes for YOLO11 training. Ensure your dataset annotations are converted to the YOLO OBB format, which involves defining bounding boxes by their four corner points. You can then create a YAML configuration file specifying the dataset paths, classes, and other necessary details. For more information on creating and configuring your datasets, refer to the Supported Datasets section.


📅 Created 11 months ago ✏️ Updated 12 days ago

Yorumlar