DOTA128 Veri Kümesi

Giriş

Ultralytics DOTA128, DOTAv1 setinden alınan, eğitim ve doğrulama için 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 hatalarını ayıklamak veya yeni algılama yaklaşımlarını denemek için idealdir. 128 görüntü ile kolayca yönetilebilir kadar küçüktür, ancak eğitim hatlarını hatalara karşı test etmek ve daha büyük veri kümelerini eğitmeden önce bir sağlamlık kontrolü olarak hareket etmek için yeterince çeşitlidir.

Veri Seti Yapısı

• Görüntüler: DOTAv1'den alınan 128 hava görüntüsü (tümü eğitim klasöründe, hem eğitim hem de doğrulama için kullanılır).
• Sınıflar: Uçak, gemi ve büyük araç gibi 15 DOTAv1 kategorisini devralır.
• Etiketler: Şu şekilde kaydedilmiş YOLO formatındaki yönlendirilmiş sınırlayıcı kutular .txt dosyaları her görüntünün yanında bulunur.

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

Veri Seti YAML

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri içerir. DOTA128 veri kümesi durumunda, dota128.yaml dosyası şu adreste tutulur: https://github.com/ultralytics/ultralytics/blob/main/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 kümesi üzerinde 100 epok boyunca 640 görüntü boyutuyla bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.

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 kümesinden alınan görüntülere ve bunlara karşılık gelen ek açıklamalara dair bazı örnekler şunlardır:

• 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.

Örnek, DOTA128 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim süreci sırasında mozaikleme kullanmanın faydalarını sergilemektedir.

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 kümesi nedir ve nasıl kullanılabilir?

DOTA128 veri kümesi, DOTAv1 setinden alınan, tamamı eğitim klasöründe depolanan 128 görüntüden oluşan çok yönlü bir yönlendirilmiş 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 idealdir. Yönetilebilir boyutu ve çeşitliliği sayesinde, daha büyük veri kümelerini dağıtmadan önce boru hattı hatalarını belirlemeye ve sağlamlık kontrolleri yapmaya yardımcı olur. Ultralytics YOLO26 ile OBB algılama hakkında daha fazla bilgi edinin.

DOTA128 veri kümesini kullanarak bir YOLO26 modeli nasıl eğitirim?

DOTA128 veri kümesi üzerinde 100 epok boyunca 640 görüntü boyutuyla bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kapsamlı argüman seçenekleri için model Eğitim sayfasına bakın.

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 kümesi, büyük ölçekli karşılaştırma ölçütü ve hava görüntülerinde nesne algılama için sunduğu zorluklarla bilinir. DOTA128 alt kümesi, DOTA8'den daha fazla çeşitlilik sunarken, ilk testler için yönetilebilir kalır. Şuradan erişebilirsiniz: dota128.yaml yolları, sınıfları ve yapılandırma ayrıntılarını içeren dosya burada GitHub bağlantısı.

DOTA128, diğer DOTA veri kümesi varyantlarıyla nasıl karşılaştırılır?

DOTA128 (128 görüntü), boyut açısından DOTA8 (8 görüntü) ve tam DOTA-v1 veri kümesi (1.869 görüntü) arasında yer alır:

• DOTA8: Yalnızca 8 görüntü içerir (4 eğitim, 4 doğrulama) - hızlı testler ve hata ayıklama için idealdir
• DOTA128: 128 görüntü içerir (tümü eğitim klasöründe, hem eğitim hem de doğrulama 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 kümesinden çok daha yönetilebilir kalarak iyi bir orta yol sunar.

Mozaikleme, DOTA128 veri kümesiyle model eğitimini nasıl geliştirir?

Mozaikleme, eğitim sırasında birden fazla görüntüyü tek bir görüntüde birleştirerek her bir toplu iş içindeki nesnelerin ve bağlamların çeşitliliğini artırır. Bu, bir modelin farklı nesne boyutlarına, en boy oranlarına ve sahnelere genelleme yeteneğini geliştirir. Bu teknik, mozaiklenmiş DOTA128 veri kümesi görüntülerinden oluşan bir eğitim toplu işi aracılığıyla görsel olarak gösterilebilir ve sağlam model geliştirmeye yardımcı olur. Mozaikleme ve eğitim teknikleri hakkında daha fazla bilgiyi Eğitim sayfamızda keşfedin.

Yönlendirilmiş nesne algılama görevleri için neden Ultralytics YOLO26 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.

📅 21 gün önce oluşturuldu ✏️ 21 gün önce güncellendi

Yorumlar