Link to this sectionDOTA128 Veri Kümesi#

Link to this sectionGiriş#

Ultralytics DOTA128, DOTAv1 setinden gelen 128 görüntüden oluşan, 128'i eğitim ve doğrulama için kullanılan küçük ama çok yönlü bir yönelimli nesne algılama veri kümesidir. Bu veri kümesi, yönelimli sınırlayıcı kutu (OBB) modellerini test etmek ve hatalarını ayıklamak ya da yeni algılama yaklaşımlarıyla denemeler yapmak için idealdir. 128 görüntü ile kolayca yönetilebilecek kadar küçüktür, ancak yine de eğitim süreçlerindeki hataları test etmek ve daha büyük veri kümelerini eğitmeden önce bir doğrulama kontrolü görevi görmek için yeterince çeşitlilik sunar.

Link to this sectionVeri 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 görüntünün yanında .txt dosyaları olarak kaydedilen YOLO biçimli yönelimli sınırlayıcı kutular.

Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için hazırlanmıştır.

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında veriler içerir. DOTA128 veri kümesi durumunda, dota128.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml adresinde tutulmaktadır.

# 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

Link to this sectionKullanım#

DOTA128 veri kümesi üzerinde bir YOLO26n-obb modelini 640 görüntü boyutuyla 100 dönem (epoch) boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için model Eğitim sayfasına başvur.

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)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

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

• 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.

Link to this sectionAlıntılar ve Teşekkür#

Araştırma veya geliştirme çalışmalarında DOTA veri kümesini kullanırsan, lütfen aşağıdaki makaleye 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={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3117983}
}

Bu veri kümesini kürate etme konusundaki övgüye değer çabaları için DOTA veri kümelerinin arkasındaki ekibe özel bir teşekkür borçluyuz. Veri kümesi ve nüansları hakkında kapsamlı bir anlayış için lütfen resmi DOTA web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionDOTA128 veri kümesi nedir ve nasıl kullanılabilir?#

DOTA128 veri kümesi, DOTAv1 setinden gelen ve tamamı train klasöründe depolanan 128 görüntüden oluşan çok yönlü bir yönelimli nesne algılama veri kümesidir. Hem eğitim hem de doğrulama aynı görüntü setini kullandığından, hızlı test ve hata ayıklama iş akışları için idealdir. Ultralytics YOLO26 gibi OBB modellerini test etmek ve hatalarını ayıklamak için mükemmeldir. Yönetilebilir boyutu ve çeşitliliği sayesinde, daha büyük veri kümelerini dağıtmadan önce süreçteki hataları tanımlamaya ve doğrulama kontrolleri yapmaya yardımcı olur. Ultralytics YOLO26 ile OBB algılama hakkında daha fazla bilgi edin.

Link to this sectionDOTA128 veri kümesini kullanarak nasıl YOLO26 modeli eğitebilirim?#

DOTA128 veri kümesi üzerinde bir YOLO26n-obb modelini 640 görüntü boyutuyla 100 dönem boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kapsamlı bağımsız değişken seçenekleri için model Eğitim sayfasına başvur.

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)

Link to this sectionDOTA veri kümesinin temel özellikleri nelerdir ve YAML dosyasına nereden erişebilirim?#

DOTA veri kümesi, geniş ölçekli karşılaştırmaları ve hava görüntülerinde nesne algılama için sunduğu zorluklarla bilinir. DOTA128 alt kümesi, DOTA8'den daha fazla çeşitlilik sağlarken ilk testler için yönetilebilir kalmaya devam eder. Yolları, sınıfları ve yapılandırma ayrıntılarını içeren dota128.yaml dosyasına bu GitHub bağlantısından erişebilirsin.

Link to this sectionDOTA128, diğer DOTA veri kümesi varyantlarıyla nasıl karşılaştırılır?#

DOTA128 (128 görüntü), boyut açısından DOTA8 (8 görüntü) ile tam DOTA-v1 veri kümesi (1.869 görüntü) 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.

Link to this sectionMozaikleme (mosaicing), DOTA128 veri kümesiyle model eğitimini nasıl geliştirir?#

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

Link to this sectionYönelimli nesne algılama görevleri için neden Ultralytics YOLO26 kullanmalıyım?#

Ultralytics YOLO26, yönelimli sınırlayıcı kutular (OBB), örnek bölümleme (instance segmentation) ve son derece çok yönlü bir eğitim hattı dahil olmak üzere en son teknoloji gerçek zamanlı nesne algılama yetenekleri sağlar. Çeşitli uygulamalar için uygundur ve verimli ince ayar için önceden eğitilmiş modeller sunar. Avantajlar ve kullanım hakkında daha fazlasını Ultralytics YOLO26 dokümantasyonunda keşfet.