DOTA128 Veri Kümesi#
Giriş#
Ultralytics DOTA128, DOTAv1 kümesinden alınan ve hem eğitim hem de doğrulama bölümü olarak kullanılan 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 işlem hatalarındaki sorunları test edecek ve daha büyük veri kümeleriyle eğitime başlamadan önce bir sağlamlık kontrolü işlevi görecek kadar çeşitlidir.
Veri Kümesinin Yapısı#
- Görüntüler: DOTAv1 kaynağından alınan 128 hava görüntüsü döşemesi (hepsi train klasöründe; hem train hem de val için kullanılır).
- Sınıflar: Uçak, gemi ve büyük araç gibi 15 DOTAv1 kategorisini içerir.
- Etiketler: YOLO biçimindeki yönlendirilmiş sınırlayıcı kutular, her görüntünün yanına
.txtdosyaları olarak kaydedilir. - 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 bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. DOTA128 veri kümesi için dota128.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml konumunda tutulur.
# 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.zipKullanım#
DOTA128 veri kümesinde, 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-obb modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.
from ultralytics import YOLO
# Bir model yükle
model = YOLO("yolo26n-obb.pt") # Önceden eğitilmiş bir modeli yükle (eğitim için önerilir)
# Modeli eğit
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)Örnek Görüntüler ve Açıklamalar#
DOTA128 veri kümesindeki görüntülerden bazı örnekler ve bunlara karşılık gelen açıklamalar:
- Mozaiklenmiş 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 geliştirmeye yardımcı olur.
Örnek, DOTA128 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme kullanmanın faydalarını gösteriyor.
Atıflar ve Teşekkürler#
DOTA veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan 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={2022},
volume={44},
number={11},
pages={7778-7796},
doi={10.1109/TPAMI.2021.3117983}
}Bu veri kümesini özenle derleyen DOTA veri kümelerinin arkasındaki ekibe değerli çabaları için özellikle teşekkür ederiz. Veri kümesini ve inceliklerini kapsamlı biçimde anlamak için resmî DOTA web sitesini ziyaret et.
Sık Sorulan Sorular#
DOTA128 veri kümesi, DOTAv1 kümesinden alınan ve tamamı train klasöründe saklanan 128 görüntüden oluşan çok yönlü bir yönlendirilmiş nesne algılama veri kümesidir. Eğitim ve doğrulama için aynı görüntü kümesinin kullanılması, Ultralytics YOLO26 gibi OBB modellerini hızla test etmek ve hata ayıklamak için bu veri kümesini ideal kılar. Yönetilebilir boyutu ve çeşitliliği sayesinde daha büyük veri kümeleriyle eğitime başlamadan önce işlem hattındaki hataları belirlemeye ve sağlamlık kontrolleri yapmaya yardımcı olur. Ultralytics YOLO26 ile OBB algılama hakkında daha fazla bilgi edin.
DOTA128 veri kümesinde, 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-obb modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Bağımsız değişken seçeneklerinin tamamı için modelin Eğitim sayfasına bak.
Eğitim Örneğifrom ultralytics import YOLO # Bir model yükle model = YOLO("yolo26n-obb.pt") # Önceden eğitilmiş bir modeli yükle (eğitim için önerilir) # Modeli eğit results = model.train(data="dota128.yaml", epochs=100, imgsz=640)DOTA veri kümesi, büyük ölçekli kıyaslama veri kümesiyle ve hava görüntülerinde nesne algılamaya yönelik sunduğu zorluklarla bilinir. DOTA128 alt kümesi, ilk testler için yönetilebilir boyutunu korurken DOTA8'den daha fazla çeşitlilik sunar. Yolları, sınıfları ve yapılandırma ayrıntılarını içeren
dota128.yamldosyasına bu GitHub bağlantısından erişebilirsin.Boyut açısından DOTA128 (128 görüntü), DOTA8 (8 görüntü) ile tam DOTA-v1 veri kümesi (etiketlenmiş 1.869 train ve val görüntüsü) arasında yer alır:
- DOTA8: Yalnızca 8 görüntü içerir (4 train, 4 val) - hızlı testler ve hata ayıklama için idealdir
- DOTA128: 128 görüntü içerir (hepsi train klasöründe; hem train hem de val için kullanılır) - boyut ve çeşitlilik arasında denge sağlar
- Tam DOTA-v1: Etiketlenmiş 1.869 train ve val görüntüsü içerir - kapsamlıdır ancak yoğun kaynak gerektirir
DOTA128, denemeler ve ilk model geliştirme çalışmaları için DOTA8'den daha fazla çeşitlilik sunarken tam DOTA veri kümesine göre çok daha yönetilebilir boyutta olmasıyla iyi bir orta yol sağlar.
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 becerisini geliştirir. Bu teknik, mozaiklenmiş DOTA128 veri kümesi görüntülerinden oluşan bir eğitim grubu üzerinden 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 işlem hattı gibi özelliklerle birlikte gerçek zamanlı nesne algılamada son teknoloji yetenekler sunar. Çeşitli uygulamalar için uygundur ve verimli ince ayar için önceden eğitilmiş modeller sağlar. Avantajları ve kullanımı hakkında daha fazla bilgi için Ultralytics YOLO26 belgelerini incele.