YOLO Vision 2026:
Research

DOTA128 Veri Kümesi#

Giriş#

Ultralytics DOTA128, eğitim ve doğrulama için 128'er adet olmak üzere DOTAv1 setinden 128 görselden oluşan küçük ama çok yönlü yönlendirilmiş bir object detection veri setidir. Bu veri seti, yönlendirilmiş sınırlayıcı kutu (OBB) modellerini test etmek ve hata ayıklamak ya da yeni algılama yaklaşımlarıyla denemeler yapmak için idealdir. 128 görseliyle, kolayca yönetilebilecek kadar küçük, ancak eğitim boru hatlarındaki hataları test etmek ve daha büyük veri setlerini eğitmeden önce bir mantık kontrolü (sanity check) görevi görecek kadar da çeşitlidir.

Veri Kümesi Yapısı#

  • Görüntüler: DOTAv1'den alınan 128 hava karesi (tamamı train klasöründe, hem eğitim hem de doğrulama için kullanılır).
  • Sınıflar: Uçak, gemi ve büyük araç gibi 15 DOTAv1 kategorisini devralır.
  • Etiketler: Her görselin yanında .txt dosyaları olarak kaydedilmiş YOLO formatında yönlendirilmiş sınırlayıcı kutular (oriented bounding boxes).
  • İndirme: 34 MB, ilk kez eğitim başlattığında Ultralytics GitHub varlıklarından otomatik olarak çekilir.

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

Veri Kümesi YAML#

Veri seti yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Dosya; veri setinin yollarını, sınıflarını ve diğer ilgili bilgileri içerir. DOTA128 veri seti söz konusu olduğunda, dota128.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml adresinde barındırılır.

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 seti üzerinde 640 görsel boyutuyla 100 epochs boyunca bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir argümanların kapsamlı bir listesi için modelin Training sayfasına göz at.

Eğitim Örneği
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="dota128.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

İşte DOTA128 veri kümesinden, karşılık gelen açıklamalarıyla birlikte bazı görüntü örnekleri:

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

Örnek, DOTA128 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme (mosaicing) kullanmanın avantajlarını sergilemektedir.

Alıntılar ve Teşekkür#

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}
}

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#

  • DOTA128 veri seti, tamamı train klasöründe depolanan DOTAv1 setinden 128 görselden oluşan çok yönlü bir yönlendirilmiş nesne tespiti veri setidir. Hem eğitim hem de doğrulama aynı görsel setini kullanır; bu da onu hızlı test ve hata ayıklama iş akışları için ideal kılar. Ultralytics YOLO26 gibi OBB modellerini test etmek ve hata ayıklamak için mükemmeldir. Yönetilebilir boyutu ve çeşitliliği sayesinde, daha büyük veri setlerini dağıtmadan önce boru hattı hatalarını belirlemeye ve mantık kontrolleri (sanity check) çalıştırmaya yardımcı olur. Ultralytics YOLO26 ile OBB tespiti hakkında daha fazla bilgi edin.

  • DOTA128 veri seti üzerinde 640 görsel boyutuyla 100 epoch boyunca bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kapsamlı argüman seçenekleri için modelin Training sayfasına göz at.

    Eğitim Örneği
    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="dota128.yaml", epochs=100, imgsz=640)

  • DOTA veri seti, büyük ölçekli kıyaslama testi (benchmark) ve havadan çekilen görsellerde nesne tespiti için sunduğu zorluklarla bilinir. DOTA128 alt kümesi, ilk testler için yönetilebilir kalmaya devam ederken DOTA8'e kıyasla daha fazla çeşitlilik sunar. Yolları, sınıfları ve yapılandırma ayrıntılarını içeren dota128.yaml dosyasına şu GitHub link üzerinden erişebilirsin.

  • DOTA128 (128 görsel), boyut açısından DOTA8 (8 görsel) ile tam DOTA-v1 veri seti (1.869 görsel) arasında yer alır:

    • DOTA8: Sadece 8 görüntü içerir (4 eğitim, 4 doğrulama) - hızlı testler ve hata ayıklama için idealdir
    • DOTA128: 128 görüntü içerir (tamamı train klasöründedir, hem eğitim hem de doğrulama için kullanılır) - boyut ve çeşitlilik arasında dengelidir
    • Tam DOTA-v1: 1.869 görüntü içerir - kapsamlıdır ancak kaynak yoğunluğu yüksektir

    DOTA128, DOTA8'den daha fazla çeşitlilik sunarken, denemeler ve ilk model geliştirme için tam DOTA veri kümesinden çok daha yönetilebilir kalarak iyi bir orta yol sağlar.

  • Mozaikleme (mosaicing), eğitim sırasında birden fazla görseli tek bir görselde birleştirerek her bir batch içindeki nesne ve bağlam çeşitliliğini artırır. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve sahnelere genelleme yapma yeteneğini geliştirir. Bu teknik, mozaiklenmiş DOTA128 veri seti görsellerinden oluşan bir eğitim batch'i aracılığıyla görsel olarak gösterilebilir ve sağlam bir model geliştirilmesine yardımcı olur. Mozaikleme ve eğitim teknikleri hakkında daha fazla bilgi edinmek için Training sayfamızı keşfet.

  • Ultralytics YOLO26; yönlendirilmiş sınırlayıcı kutular (OBB), örnek bölütleme (instance segmentation) ve son derece çok yönlü bir eğitim boru hattı gibi özellikler dahil olmak üzere son teknoloji ürünü gerçek zamanlı nesne tespiti yetenekleri sunar. Çeşitli uygulamalar için uygundur ve verimli ince ayar (fine-tuning) için önceden eğitilmiş modeller sunar. Avantajları ve kullanım alanları hakkında daha fazla bilgi edinmek için Ultralytics YOLO26 documentation adresini incele.

Katkıda Bulunanlar
GLglenn-jocher2RAraimbekovm2PDpderrenger1LALaughing-q1

Yorumlar