YOLO Vision 2026:
Research

DOTA128 Veri Kümesi#

Giriş#

Ultralytics DOTA128, hem eğitim hem de doğrulama kümesi olarak hizmet veren DOTAv1 kümesinden 128 görüntüden oluşan küçük ama çok yönlü bir yönlendirilmiş nesne tespiti veri kümesidir. Bu veri kümesi, yönlendirilmiş sınırlayıcı kutu (OBB) modellerini test etmek ve hata ayıklamak veya yeni tespit yaklaşımlarıyla denemeler yapmak için idealdir. 128 görüntüyle, kolayca yönetilebilecek kadar küçük, ancak eğitim hatlarında hata testi yapmak ve daha büyük veri kümelerini eğitmeden önce bir akıl sağlığı kontrolü görevi görmek için yeterince çeşitlidir.

Veri Kümesi Yapısı#

  • Görüntüler: DOTAv1 kaynağından alınan 128 hava görüntüsü döşemesi (tümü train klasöründe; 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 kaydedilen YOLO biçimli yönlendirilmiş sınırlayıcı kutular.
  • İndirme: 34 MB; ilk eğitim yaptığında Ultralytics GitHub varlıklarından otomatik olarak alınır.

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

Veri Kümesi YAML'i#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri içerir. DOTA128 veri kümesi için dota128.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml konumunda tutulur.

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 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bakabilirsin.

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)

Örnek Görüntüler ve Açıklamalar#

Aşağıda, ilgili açıklamalarıyla birlikte DOTA128 veri kümesinden bazı görüntü örnekleri yer alıyor:

DOTA128 oriented bounding box dataset training mosaic
  • Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu gösterir. Mozaikleme, her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren bir eğitim tekniğidir. 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 sürecinde mozaiklemenin faydalarını gösterir.

Atıflar ve Teşekkürler#

DOTA veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:

Alıntı
@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 hazırlama konusundaki takdire değer çabaları için DOTA veri kümelerinin arkasındaki ekibe özel teşekkürlerimizi sunarız. Veri kümesini ve inceliklerini kapsamlı biçimde anlamak için lütfen resmî DOTA web sitesini ziyaret et.

SSS#

  • DOTA128 veri kümesi, DOTAv1 kümesinden alınan ve tamamı train klasöründe saklanan 128 görüntüden oluşan çok yönlü bir yönlendirilmiş nesne algılama veri kümesidir. Hem eğitim hem de doğrulama aynı görüntü kümesini kullanır; bu da veri kümesini hızlı test ve hata ayıklama iş akışları için ideal hâle getirir. Ultralytics YOLO26 gibi OBB modellerini test etmek ve hata ayıklamak için idealdir. Yönetilebilir boyutu ve çeşitliliği sayesinde daha büyük veri kümelerini kullanıma almadan önce işlem hattı hatalarını belirlemeye ve doğruluk kontrolleri yapmaya yardımcı olur. Ultralytics YOLO26 ile OBB algılama hakkında daha fazla bilgi edin.

  • DOTA128 veri kümesi üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kapsamlı bağımsız değişken seçenekleri için modelin Eğitim sayfasına bakabilirsin.

    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)

  • DOTA veri kümesi, hava görüntülerinde nesne algılama için sunduğu büyük ölçekli kıyaslama ve zorluklarla tanınır. DOTA128 alt kümesi, ilk testler için yönetilebilir kalırken DOTA8'den daha fazla çeşitlilik sunar. Yolları, sınıfları ve yapılandırma ayrıntılarını içeren dota128.yaml dosyasına bu GitHub bağlantısından erişebilirsin.

  • DOTA128 (128 görüntü), boyut açısından DOTA8 (8 görüntü) ile tam DOTA-v1 veri kümesi (1.869 etiketli tren 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 (tümü train klasöründe; hem train hem de val için kullanılır) — boyut ve çeşitlilik arasında dengelidir
    • Tam DOTA-v1: 1.869 etiketli tren ve val görüntüsü içerir - kapsamlı ancak kaynak yoğun

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

  • Mozaikleme, eğitim sırasında birden fazla görüntüyü tek bir görüntüde birleştirerek her batch içindeki 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 batch'i aracılığıyla görsel olarak gösterilebilir ve sağlam model geliştirmeye yardımcı olur. Mozaikleme ve eğitim teknikleri hakkında Eğitim sayfamızdan daha fazla bilgi edin.

  • Ultralytics YOLO26, yönlendirilmiş sınırlayıcı kutular (OBB), örnek bölütleme ve son derece çok yönlü bir eğitim işlem hattı gibi özellikleri de içeren, gerçek zamanlı ve son teknoloji nesne algılama yetenekleri sunar. Çeşitli uygulamalar için uygundur ve verimli ince ayar için önceden eğitilmiş modeller sağlar. Avantajları ve kullanımı hakkında Ultralytics YOLO26 belgelerinde daha fazla bilgi edin.

Katkıda Bulunanlar
GLglenn-jocher4RAraimbekovm3PDpderrenger1LALaughing-q1

Yorumlar