OBB ile DOTA Veri Kümesi#

The DOTA dataset is a large-scale benchmark for object detection in aerial images, released in three versions (v1.0, v1.5, v2.0) with up to 1.7M Oriented Bounding Box (OBB) annotations across 18 categories, captured from diverse aerial sensors and platforms.

Temel Özellikler#

• Çeşitli sensör ve platformlardan toplanan, 800 × 800 ile 20.000 × 20.000 piksel arasında değişen görüntü boyutları.
• 18 kategoride 1,7 milyondan fazla yönlendirilmiş sınırlayıcı kutu içerir.
• Görüntü başına geniş nesne boyutu aralığı sayesinde çok ölçekli nesne algılamayı kapsar.
• Örnekler, uzmanlar tarafından farklı ölçeklerdeki, yönelimlerdeki ve şekillerdeki nesneleri yakalayan keyfi (8 serbestlik dereceli) dörtgenler kullanılarak etiketlenmiştir.

Veri Kümesi Sürümleri#

DOTA-v1.0#

• 15 yaygın kategori içerir.
• 188.282 örnek içeren 2.806 görüntüden oluşur.
• Bölme oranları: eğitim için 1/2 (1.411 görüntü), doğrulama için 1/6 (458 görüntü) ve test için 1/3 (937 görüntü).

DOTA-v1.5#

• DOTA-v1.0 ile aynı görüntüleri içerir.
• Çok küçük örnekler (10 pikselden küçük) de etiketlenmiştir.
• Yeni bir kategori eklendi: "konteyner vinci".
• Toplam 403.318 örnek.
• Released for the DOAI Challenge 2019 on Object Detection in Aerial Images.

DOTA-v2.0#

• Google Earth, GF-2 Uydu ve diğer hava görüntülerinden koleksiyonlar.
• 18 yaygın kategori içerir.
• 1.793.658 adet muazzam sayıda örnek içeren 11.268 görüntüden oluşur.
• Yeni tanıtılan kategoriler: "havaalanı" ve "helikopter pisti".
• Görüntü bölümleri:
  • Eğitim: 268.627 örnek içeren 1.830 görüntü.
  • Doğrulama: 81.048 örnek içeren 593 görüntü.
  • Test-dev: 353.346 örnek içeren 2.792 görüntü.
  • Test-challenge: 1.090.637 örnek içeren 6.053 görüntü.

Veri Kümesi Yapısı#

DOTA, OBB nesne algılama zorlukları için özel olarak tasarlanmış yapılandırılmış bir düzen sergiler:

• Görüntüler: Farklı arazileri ve yapıları yakalayan geniş bir yüksek çözünürlüklü hava görüntüleri koleksiyonu.
• Yönlendirilmiş Sınırlayıcı Kutular: Nesneleri yönelimlerinden bağımsız olarak kapsayan, uçaklar, gemiler ve binalar gibi nesneleri yakalamak için ideal, döndürülmüş dikdörtgenler biçimindeki etiketler.

Uygulamalar#

DOTA serves as a benchmark for training and evaluating models specifically tailored for aerial image analysis. With the inclusion of OBB annotations, it provides a unique challenge, enabling the development of specialized object detection models that cater to aerial imagery's nuances. The dataset is particularly valuable for applications in remote sensing, surveillance, and environmental monitoring.

Veri Kümesi YAML#

Bir veri seti YAML dosyası, görüntü/etiket kök dizinlerini, sınıf adlarını ve diğer önemli meta verileri belirtir. Ultralytics, en yaygın kullanılan iki sürüm için resmi YAML dosyalarını güncel tutar:

• DOTAv1.yaml
• DOTAv1.5.yaml

İndirdiğin sürümle eşleşen YAML dosyasını kullan veya DOTA-v2 ya da başka bir türevle çalışıyorsan özel bir YAML oluştur. Her iki sürüm de ilk eğitiminde Ultralytics GitHub varlıklarından otomatik olarak (2 GB) indirilir.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# DOTA 1.0 dataset https://captain-whu.github.io/DOTA/index.html for object detection in aerial images by Wuhan University
# Documentation: https://docs.ultralytics.com/datasets/obb/dota-v2
# Example usage: yolo train model=yolov8n-obb.pt data=DOTAv1.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── DOTAv1 ← downloads here (2 GB)

# 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: DOTAv1 # dataset root dir
train: images/train # train images (relative to 'path') 1411 images
val: images/val # val images (relative to 'path') 458 images
test: images/test # test images (optional) 937 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/DOTAv1.zip

DOTA görüntülerini böl#

Ham görüntüler genellikle kenar başına 10.000 pikseli aştığından, verileri YOLO'ya beslemeden önce döşeme işlemi gerekir. Kaynak görüntüleri, etiketleri senkronize tutarken birden fazla ölçekte örtüşen 1024 × 1024'lük kırpmalara ayırmak için aşağıdaki yardımcıyı kullan.

from ultralytics.data.split_dota import split_test, split_trainval

# Split train and val set, with labels.
split_trainval(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)
# Split test set, without labels.
split_test(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)

Kullanım#

To train a model on the DOTA v1 dataset, you can utilize the following code snippets. Always refer to your model's documentation for a thorough list of available arguments. For those looking to experiment with a smaller subset first, consider using the DOTA8 dataset, which contains just 8 images for quick testing and is browsable on Ultralytics Platform.

from ultralytics import YOLO

# Create a new YOLO26n-OBB model from scratch
model = YOLO("yolo26n-obb.yaml")

# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)

Örnek Veriler ve Etiketler#

Veri kümesine bir göz atmak derinliğini gösterir:

• DOTA examples: This snapshot underlines the complexity of aerial scenes and the significance of Oriented Bounding Box annotations, capturing objects in their natural orientation.

The dataset's richness offers invaluable insights into object detection challenges exclusive to aerial imagery. The DOTA-v2.0 dataset has become particularly popular for remote sensing and aerial surveillance projects due to its comprehensive annotations and diverse object categories.

Alıntılar ve Teşekkür#

Çalışmalarında DOTA kullanıyorsan, lütfen ilgili araştırma makalelerine atıfta bulun:

@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}
}

A special note of gratitude to the team behind the DOTA datasets for their commendable effort in curating this dataset. For an exhaustive understanding of the dataset and its nuances, please visit the official DOTA website.

SSS#

DOTA veri kümesi nedir ve hava görüntülerinde nesne algılama için neden önemlidir?#

The DOTA dataset is a specialized dataset focused on object detection in aerial images. It features Oriented Bounding Boxes (OBB), providing annotated images from diverse aerial scenes. DOTA's diversity in object orientation, scale, and shape across its 1.7M annotations and 18 categories makes it ideal for developing and evaluating models tailored for aerial imagery analysis, such as those used in surveillance, environmental monitoring, and disaster management.

DOTA veri kümesi görüntülerdeki farklı ölçekleri ve yönelimleri nasıl ele alır?#

DOTA, etiketleme için nesneleri yönelimlerinden bağımsız olarak kapsayan, döndürülmüş dikdörtgenlerle temsil edilen Yönlendirilmiş Sınırlayıcı Kutuları (OBB) kullanır. Bu yöntem, küçük veya farklı açılardaki nesnelerin doğru bir şekilde yakalanmasını sağlar. Veri kümesinin 800 × 800 ile 20.000 × 20.000 piksel arasında değişen çok ölçekli görüntüleri, hem küçük hem de büyük nesnelerin etkili bir şekilde algılanmasına olanak tanır. Bu yaklaşım, nesnelerin çeşitli açılarda ve ölçeklerde göründüğü hava görüntüleri için özellikle değerlidir.

DOTA veri kümesini kullanarak nasıl model eğitebilirim?#

To train a model on the DOTA dataset, you can use the following example with Ultralytics YOLO:

from ultralytics import YOLO

# Create a new YOLO26n-OBB model from scratch
model = YOLO("yolo26n-obb.yaml")

# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)

For more details on how to split and preprocess the DOTA images, refer to the split DOTA images section.

DOTA-v1.0, DOTA-v1.5 ve DOTA-v2.0 arasındaki farklar nelerdir?#

• DOTA-v1.0: 188.282 örnek içeren 2.806 görüntü üzerinde 15 yaygın kategori içerir. Veri kümesi eğitim, doğrulama ve test setlerine ayrılmıştır.
• DOTA-v1.5: Çok küçük örnekleri (10 pikselden küçük) etiketleyerek ve "konteyner vinci" adlı yeni bir kategori ekleyerek toplam 403.318 örnekle DOTA-v1.0'ın üzerine inşa edilmiştir.
• DOTA-v2.0: Google Earth ve GF-2 Uydu'dan gelen etiketlerle daha da genişleyerek 11.268 görüntü ve 1.793.658 örnek içerir. "Havaalanı" ve "helikopter pisti" gibi yeni kategoriler eklenmiştir.

For a detailed comparison and additional specifics, check the dataset versions section.

Yüksek çözünürlüklü DOTA görüntülerini eğitim için nasıl hazırlayabilirim?#

Çok büyük olabilen DOTA görüntüleri, yönetilebilir bir eğitim için daha küçük çözünürlüklere bölünür. Görüntüleri bölmek için işte bir Python parçacığı:

from ultralytics.data.split_dota import split_test, split_trainval

# split train and val set, with labels.
split_trainval(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)
# split test set, without labels.
split_test(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)

This process facilitates better training efficiency and model performance. For detailed instructions, visit the split DOTA images section.