DOTA128 Veri Kümesi
Giriş
Ultralytics DOTA128, DOTAv1 setinden alınan 128 görüntüden oluşan, küçük ama çok yönlü bir nesne algılama veri setidir. Bu veri seti, test ve hata ayıklama amaçlı sınırlayıcı kutu (OBB) modellerini test etmek veya yeni algılama yaklaşımlarını denemek için idealdir. 128 görüntü ile, kolayca yönetilebilecek kadar küçüktür, ancak hataları test etmek ve daha büyük veri kümelerini eğitmeden önce sağlamlık kontrolü yapmak için yeterince çeşitlidir.
Veri Seti Yapısı
- Görüntüler: DOTAv1'den alınan 128 hava karosu (tümü tren klasöründe, hem tren hem de val için kullanılır).
- Sınıflar: Uçak, gemi ve büyük araç gibi 15 DOTAv1 kategorisini devralır.
- Etiketler: Şu şekilde kaydedilmiş YOLO formatındaki yönlendirilmiş sınırlayıcı kutular
.txtdosyaları her görüntünün yanında bulunur.
Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanılmak üzere tasarlanmıştır.
Veri Seti YAML
YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgiler içerir. DOTA128 veri kümesi durumunda, dota128.yaml dosyası şu adreste tutulur: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml.
ultralytics/cfg/veri ultralytics.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 setindeobb 100 dönem boyunca 640 piksel boyutunda bir görüntü ile eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.
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)
# Start training from a pretrained *.pt model
yolo obb train data=dota128.yaml model=yolo26n-obb.pt epochs=100 imgsz=640
Örnek Görüntüler ve Açıklamalar
DOTA128 veri setinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar aşağıda verilmiştir:
- Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri seti görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, her eğitim grubundaki nesnelerin ve sahnelerin çeşitliliğini artırmak için birden çok görüntüyü tek bir görüntüde birleştiren eğitim sırasında kullanılan bir tekniktir. Bu, modelin farklı nesne boyutlarına, en boy oranlarına ve bağlamlara genelleme yeteneğini geliştirmeye yardımcı olur.
Bu örnek, DOTA128 veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaiklemeyi kullanmanın faydalarını göstermektedir.
Alıntılar ve Teşekkürler
Araştırma veya geliştirme çalışmalarınızda DOTA veri kümesini kullanırsanız, lütfen aşağıdaki makaleye atıfta bulunun:
@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 düzenleme konusundaki takdire şayan çabalarından dolayı DOTA veri kümelerinin arkasındaki ekibe özel bir teşekkür. Veri kümesi ve nüanslarının kapsamlı bir şekilde anlaşılması için lütfen resmi DOTA web sitesini ziyaret edin.
SSS
DOTA128 veri seti nedir ve nasıl kullanılabilir?
DOTA128 veri kümesi, DOTAv1 kümesinden alınan 128 görüntüden oluşan çok yönlü bir nesne algılama veri kümesidir ve tümü train klasöründe saklanır. Hem eğitim hem de doğrulama aynı görüntü kümesini kullanır, bu da hızlı test ve hata ayıklama iş akışları için idealdir. Ultralytics gibi OBB modellerini test etmek ve hata ayıklamak için idealdir. Yönetilebilir boyutu ve çeşitliliği sayesinde, daha büyük veri kümelerini dağıtmadan önce boru hattı hatalarını belirlemeye ve sağlamlık kontrolleri yapmaya yardımcı olur. Ultralytics ile OBB algılama hakkında daha fazla bilgi edinin.
DOTA128 veri setini kullanarak YOLO26 modelini nasıl eğitebilirim?
DOTA128 veri setinde 640 piksel boyutlu bir görüntü ile 100 dönem boyuncaobb eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kapsamlı argüman seçenekleri için model Eğitim sayfasına bakın.
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)
# Start training from a pretrained *.pt model
yolo obb train data=dota128.yaml model=yolo26n-obb.pt epochs=100 imgsz=640
DOTA veri kümesinin temel özellikleri nelerdir ve YAML dosyasına nereden erişebilirim?
DOTA veri seti, büyük ölçekli karşılaştırma ölçütü ve hava görüntülerinde nesne algılama konusunda sunduğu zorluklarla bilinir. DOTA128 alt kümesi, DOTA8'den daha fazla çeşitlilik sunarken, ilk testler için yönetilebilir olmaya devam eder. Şu adrese erişebilirsiniz: dota128.yaml yolları, sınıfları ve yapılandırma ayrıntılarını içeren dosya burada GitHub bağlantısı.
DOTA128, diğer DOTA veri seti varyantlarıyla karşılaştırıldığında nasıl bir konumdadır?
DOTA128 (128 görüntü), boyut açısından DOTA8 (8 görüntü) ile tam DOTA-v1 veri seti (1.869 görüntü) arasında yer almaktadır:
- DOTA8: Sadece 8 görüntü içerir (4 tren, 4 val) - hızlı testler ve hata ayıklama için idealdir
- DOTA128: 128 görüntü içerir (tümü tren klasöründe bulunur, hem tren hem de val için kullanılır) - boyut ve çeşitlilik arasında dengelidir
- Tam DOTA-v1: 1.869 görüntü içerir - kapsamlı ancak kaynak yoğun
DOTA128, DOTA8'den daha fazla çeşitlilik sunarken, deneyler ve ilk model geliştirme için tam DOTA veri setinden çok daha yönetilebilir olmasıyla iyi bir orta yol sağlar.
Mozaikleme, DOTA128 veri setiyle model eğitimini nasıl geliştirir?
Mozaikleme, eğitim sırasında birden fazla görüntüyü tek bir görüntüde birleştirerek her parti içindeki nesne ve bağlam çeşitliliğini artırır. Bu, modelin farklı nesne boyutları, en boy oranları ve sahnelere genelleme yeteneğini geliştirir. Bu teknik, mozaiklenmiş DOTA128 veri seti görüntülerinden oluşan bir eğitim partisiyle görsel olarak gösterilebilir ve sağlam model geliştirmeye yardımcı olur. Eğitim sayfamızda mozaikleme ve eğitim teknikleri hakkında daha fazla bilgi edinebilirsiniz.
Neden nesne algılama görevleri için Ultralytics kullanmalıyım?
Ultralytics YOLO26, yönlendirilmiş sınırlayıcı kutular (OBB), örnek segmentasyonu ve oldukça çok yönlü bir eğitim işlem hattı gibi özellikler dahil olmak üzere son teknoloji gerçek zamanlı nesne algılama yetenekleri sunar. Çeşitli uygulamalar için uygundur ve verimli ince ayar için önceden eğitilmiş modeller sunar. Avantajları ve kullanımını Ultralytics YOLO26 belgelerinde daha fazla keşfedin.
