Ultralytics YOLO27: Bekleme listesine katıl.
Get Started
Research

DOTA128 Veri Kümesi#

Giriş#

Ultralytics DOTA128, hem eğitim hem de doğrulama bölümlerinde kullanılan, DOTAv1 kümesinden alınmış 128 görüntüden oluşan küçük ama çok yönlü bir yönlendirilmiş nesne algılama veri kümesidir. Bu veri kümesi, yönlendirilmiş sınırlayıcı kutu (OBB) modellerini test etmek ve hata ayıklamak ya da yeni algılama yaklaşımlarını denemek için idealdir. 128 görüntüyle kolayca yönetilebilecek kadar küçük, eğitim hatlarını hatalara karşı test edip daha büyük veri kümelerinde eğitime başlamadan önce makul sonuç kontrolü yapmaya yetecek kadar çeşitlidir.

Veri Kümesi Yapısı#

  • Görüntüler: DOTAv1'den alınmış 128 hava görüntüsü döşemesi (tümü train klasöründe; hem train hem de val için kullanılır).
  • Sınıflar: Uçak, gemi ve büyük araç gibi 15 DOTAv1 kategorisini devralır.
  • Etiketler: Her görüntünün yanında .txt dosyalarında kaydedilmiş YOLO biçimli yönlendirilmiş sınırlayıcı kutular.
  • İndirme: 34 MB; ilk eğitiminde Ultralytics GitHub varlıklarından otomatik olarak indirilir.

Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanılmak üzere tasarlanmıştır.

Veri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. DOTA128 veri kümesinde dota128.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml adresinde tutulur.

ultralytics/cfg/datasets/dota128.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# DOTA128 dataset (128 images from the DOTAv1 split) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota128
# Example usage: yolo train model=yolo26n-obb.pt data=dota128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dota128 ← downloads here (34 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: dota128 # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/train # val images (relative to 'path') 128 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/dota128.zip

Kullanım#

DOTA128 veri kümesinde YOLO26n-obb modelini 100 epoch boyunca 640 görüntü boyutuyla eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.

Eğitim Örneği
from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-obb.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda DOTA128 veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar yer alıyor:

DOTA128 oriented bounding box dataset training mosaic
  • Mozaik Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu gösterir. Mozaikleme, her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için eğitim sırasında birden fazla görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yeteneğini geliştirir.

Örnek, DOTA128 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sırasında mozaikleme kullanmanın faydalarını gösteriyor.

Atıflar ve Teşekkürler#

Araştırma veya geliştirme çalışmalarında DOTA veri kümesini kullanırsan lütfen aşağıdaki makaleye atıfta bulun:

Alıntı
@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}
}

Bu veri kümesini derlemek için gösterdikleri takdire değer çaba nedeniyle DOTA veri kümelerinin arkasındaki ekibe özel teşekkürlerimizi sunarız. Veri kümesini ve inceliklerini kapsamlı biçimde anlamak için resmî DOTA web sitesini ziyaret et.

Sık Sorulan Sorular#

  • DOTA128 veri kümesi, DOTAv1 kümesinden alınmış ve tamamı train klasöründe saklanan 128 görüntüden oluşan çok yönlü bir yönlendirilmiş nesne algılama veri kümesidir. Eğitim ve doğrulamada aynı görüntü kümesi kullanıldığından, Ultralytics YOLO26 gibi OBB modellerini hızlıca test etmek ve hata ayıklamak için idealdir. Yönetilebilir boyutu ve çeşitliliği sayesinde, daha büyük veri kümelerinde eğitime başlamadan önce eğitim hattı hatalarını belirlemeye ve makul sonuç kontrolleri yapmaya yardımcı olur. Ultralytics YOLO26 ile OBB algılama hakkında daha fazla bilgi edin.

  • DOTA128 veri kümesinde YOLO26n-obb modelini 100 epoch boyunca 640 görüntü boyutuyla eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kapsamlı bağımsız değişken seçenekleri için modelin Eğitim sayfasına bak.

    Eğitim Örneği
    from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-obb.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)

  • DOTA veri kümesi, büyük ölçekli kıyaslama veri kümesi olması ve havadan çekilmiş görüntülerde nesne algılama açısından ortaya çıkardığı zorluklarla bilinir. DOTA128 alt kümesi, ilk testler için yönetilebilir boyutta kalırken DOTA8'den daha fazla çeşitlilik sunar. Yolları, sınıfları ve yapılandırma ayrıntılarını içeren dota128.yaml dosyasına bu GitHub bağlantısından erişebilirsin.

  • Boyut açısından DOTA128 (128 görüntü), DOTA8 (8 görüntü) ile tam DOTA-v1 veri kümesi (1.869 etiketli train ve val görüntüsü) arasında yer alır:

    • DOTA8: Yalnızca 8 görüntü içerir (4 train, 4 val) - hızlı test ve hata ayıklama için idealdir
    • DOTA128: 128 görüntü içerir (tümü train klasöründe; hem train hem de val için kullanılır) - boyut ile çeşitlilik arasında denge sunar
    • Tam DOTA-v1: 1.869 etiketli train ve val görüntüsü içerir - kapsamlıdır ancak çok kaynak gerektirir

    DOTA128, DOTA8'den daha fazla çeşitlilik sunarken deneme ve ilk model geliştirme süreçlerinde tam DOTA veri kümesinden çok daha yönetilebilir boyutta kalarak iyi bir orta yol sunar.

  • Mozaikleme, eğitim sırasında birden fazla görüntüyü tek bir görüntüde birleştirerek her gruptaki nesne ve bağlam çeşitliliğini artırır. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve sahnelere genelleme yeteneğini geliştirir. Bu teknik, mozaiklenmiş DOTA128 veri kümesi görüntülerinden oluşan bir eğitim grubu aracılığıyla görsel olarak gösterilebilir ve sağlam model geliştirmeye yardımcı olur. Mozaikleme ve eğitim teknikleri hakkında daha fazla bilgi için Eğitim sayfamızı incele.

  • Ultralytics YOLO26; yönlendirilmiş sınırlayıcı kutular (OBB), örnek segmentasyonu ve son derece çok yönlü bir eğitim hattı gibi özellikleri içeren, gerçek zamanlı ve son teknoloji nesne algılama yetenekleri sunar. Çeşitli uygulamalar için uygundur ve verimli ince ayar yapmaya yönelik önceden eğitilmiş modeller sağlar. Avantajları ve kullanımı hakkında daha fazla bilgi için Ultralytics YOLO26 belgelerini incele.

Katkıda Bulunanlar
GLglenn-jocher5RAraimbekovm3PDpderrenger1LALaughing-q1

Yorumlar