DOTA128 Veri Kümesi

Giriş

Ultralytics DOTA128, küçük ama çok yönlü, yönelimli bir nesne tespiti veri kümesidir; DOTAv1 setinden alınan 128 görüntüden oluşur, 128'i eğitim ve doğrulama içindir. Bu veri kümesi, yönelimli sınırlayıcı kutu (OBB) modellerini test etmek ve hata ayıklamak veya yeni tespit yaklaşımlarını denemek için idealdir. 128 görüntü ile kolayca yönetilebilecek kadar küçük, ancak eğitim hatlarını hatalara karşı test etmek ve daha büyük veri kümelerini eğitmeden önce bir sağlık kontrolü görevi görmek için yeterince çeşitlidir.

Veri Kümesi Yapısı

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

Bu veri seti, şununla kullanılmak üzere tasarlanmıştır: Ultralytics Platform ve YOLO26.

Veri Kümesi YAML

Bir YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi 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 bir YOLO26n-obb modelini 100 epochs boyunca 640 görüntü boyutuyla eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı listesi için model Görev sayfamızı ziyaret et.

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 Görseller ve Açıklamalar

İşte DOTA128 veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar:

• Mozaiklenmiş Görsel: 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 genelleyebilme yeteneğini geliştirmeye yardımcı olur.

Bu örnek, DOTA128 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın avantajlarını sergiliyor.

ziyaret et.

DOTA veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen şu makaleyi kaynak göster:

@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 derlemedeki övgüye değer çabaları için DOTA veri kümelerinin arkasındaki ekibe özel bir teşekkür borçluyuz. Veri kümesi ve incelikleri hakkında kapsamlı bir anlayış için lütfen resmi DOTA web sitesini.

SSS

DOTA128 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 tespit veri kümesidir. Hem eğitim hem de doğrulama aynı görüntü kümesini kullanır, bu da onu hızlı test ve hata ayıklama iş akışları için ideal kılar. Ultralytics YOLO26 gibi OBB modellerini test etmek ve hata ayıklamak için idealdir. Yönetilebilir boyutu ve çeşitliliği sayesinde, daha büyük veri kümelerini dağıtmadan önce hatları tanımlamaya ve sağlık kontrolleri yapmaya yardımcı olur. OBB tespiti hakkında daha fazla bilgiyi şuradan öğrenebilirsin: Ultralytics YOLO26.

DOTA128 veri kümesini kullanarak nasıl YOLO26 modeli eğitirim?

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 model Görev sayfamızı ziyaret et.

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 kümesinin temel özellikleri nelerdir ve YAML dosyasına nereden erişebilirim?

DOTA veri kümesi, geniş ölçekli karşılaştırması ve hava görüntülerindeki nesne tespiti için sunduğu zorluklarla bilinir. DOTA128 alt kümesi, DOTA8'den daha fazla çeşitlilik sunarken ilk testler için yönetilebilir kalmaya devam eder. Yollar, sınıflar ve yapılandırma ayrıntılarını içeren dota128.yaml dosyasına şu GitHub bağlantısından.

DOTA128, diğer DOTA veri kümesi varyantlarıyla nasıl karşılaştırılır?

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

• DOTA8: Sadece 8 görsel içerir (4 eğitim, 4 doğrulama) - hızlı testler ve hata ayıklama için idealdir
• DOTA128: 128 görüntü içerir (tamamı train klasöründedir, hem train hem val için kullanılır) - boyut ve çeşitlilik arasında dengelidir
• Tam DOTA-v1: 1.869 görüntü içerir - kapsamlı ancak kaynak yoğunlukludur

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

Mozaikleme, DOTA128 veri kümesiyle model eğitimini nasıl geliştirir?

Mozaikleme, eğitim sırasında birden fazla görüntüyü birleştirerek her partideki 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 partisi aracılığıyla görsel olarak gösterilebilir ve sağlam model geliştirmeye yardımcı olur. Mozaikleme ve eğitim teknikleri hakkında daha fazla bilgiyi şuradan keşfet: Görev sayfamızı ziyaret et.

Yönelimli nesne tespit görevleri için neden Ultralytics YOLO26 kullanmalıyım?

Ultralytics YOLO26, yönelimli sınırlayıcı kutular (OBB), örnek segmentasyonu ve oldukça çok yönlü bir eğitim hattı dahil olmak üzere en son teknoloji gerçek zamanlı nesne tespit yetenekleri sağlar. Çeşitli uygulamalar için uygundur ve verimli ince ayar için önceden eğitilmiş modeller sunar. Avantajları ve kullanımı hakkında daha fazlasını şurada keşfet: Ultralytics YOLO26 belgeleri.