Link to this sectionDOTA128 Veri Kümesi#

Link to this sectionGiriş#

Ultralytics DOTA128, DOTAv1 setinden 128 görüntüden oluşan (128'i eğitim ve doğrulama için), küçük ancak çok yönlü, yönelimli nesne algılama veri kümesidir. Bu veri kümesi, yönelimli sınırlayıcı kutu (OBB) modellerini test etmek ve hatalarını ayıklamak veya yeni algılama yaklaşımlarını denemek için idealdir. 128 görüntü ile kolayca yönetilebilecek kadar küçüktür, ancak yine de eğitim işlem hatlarındaki hataları test etmek ve daha büyük veri kümelerini eğitmeden önce bir doğrulama kontrolü görevi görecek kadar çeşitliliğe sahiptir.

Link to this sectionVeri Kümesi Yapısı#

• Görüntüler: DOTAv1'den alınan 128 hava karesi (hepsi train klasöründedir ve hem train hem de val için kullanılır).
• Sınıflar: Uçak, gemi ve büyük araç gibi 15 DOTAv1 kategorisini devralır.
• Etiketler: Her görüntünün yanında .txt dosyaları olarak kaydedilmiş YOLO formatında yönelimli sınırlayıcı kutular.

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

Link to this sectionVeri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında bilgiler 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 640 görüntü boyutuyla 100 dönem (epoch) boyunca bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut bağımsız değişkenlerin kapsamlı bir listesi için Eğitim (Training) sayfası modeline bak.

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 görüntülere ve bunlara karşılık gelen açıklamalara dair bazı örnekler:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri seti 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 yeteneğini geliştirmeye yardımcı olur.

Bu örnek, DOTA128 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim süreci boyunca mozaikleme kullanmanın faydalarını sergilemektedir.

Link to this sectionAlıntılar ve Teşekkür#

DOTA veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen şu 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}
}

DOTA veri kümelerinin arkasındaki ekibe, bu veri kümesini düzenleme konusundaki övgüye değer çabalarından dolayı özel bir teşekkür ederiz. Veri kümesini ve inceliklerini kapsamlı bir şekilde anlamak 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 alınan ve tamamı train klasöründe depolanan 128 görüntüden oluşan çok yönlü bir yönelimli nesne algılama veri kümesidir. Hem eğitim hem de doğrulama aynı görüntü setini kullanır, bu da onu hızlı test ve hata ayıklama iş akışları için ideal kılar. Ultralytics YOLO26 gibi OBB modellerini test etmek ve hatalarını ayıklamak için mükemmeldir. Yönetilebilir boyutu ve çeşitliliği sayesinde, daha büyük veri kümelerini dağıtmadan önce işlem hattı hatalarını tanımlamaya ve doğrulama kontrolleri yapmaya yardımcı olur. Ultralytics YOLO26 ile OBB algılama hakkında daha fazla bilgi edin.

Link to this sectionDOTA128 veri kümesini kullanarak YOLO26 modelini nasıl eğitirim?#

DOTA128 veri kümesi üzerinde 640 görüntü boyutuyla 100 dönem boyunca bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kapsamlı bağımsız değişken seçenekleri için Eğitim (Training) sayfasına bak.

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, büyük ölçekli karşılaştırması ve hava görüntülerinde nesne algılama için sunduğu zorluklarla bilinir. DOTA128 alt kümesi, DOTA8'den daha fazla çeşitlilik sunarken başlangıç testleri 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 train, 4 val) - hızlı testler ve hata ayıklama için idealdir.
• DOTA128: 128 görüntü içerir (hepsi train klasöründedir ve hem train hem de val için kullanılır) - boyut ve çeşitlilik arasında dengelidir.
• Tam DOTA-v1: 1.869 görüntü içerir - kapsamlıdır ancak kaynak yoğunlukludur.

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

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

Mozaikleme, eğitim sırasında birden fazla görüntüyü birleştirerek her yığındaki 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 yığını aracılığıyla görsel olarak gösterilebilir ve sağlam bir model geliştirmeye yardımcı olur. Mozaikleme ve eğitim teknikleri hakkında daha fazla bilgiyi Eğitim (Training) sayfamızda 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 gelişmiş gerçek zamanlı nesne algılama yetenekleri sağlar. Çeşitli uygulamalar için uygundur ve verimli ince ayar için önceden eğitilmiş modeller sunar. Avantajları ve kullanımı hakkında daha fazlasını Ultralytics YOLO26 belgelerinde keşfet.