DOTA8 Veri Seti
Giriş
Ultralytics DOTA8, bölünmüş DOTAv1 setinin ilk 8 görüntüsünden (4 eğitim ve 4 doğrulama için) oluşan küçük ancak çok yönlü, yönelimli bir nesne algılama veri setidir. Bu veri seti, nesne algılama modellerini test etmek ve hatalarını ayıklamak ya da yeni algılama yaklaşımları denemek için idealdir. 8 görüntü ile hem kolayca yönetilebilecek kadar küçüktür hem de eğitim hatlarını hatalara karşı test etmek ve daha büyük veri setleriyle eğitime başlamadan önce bir doğrulama kontrolü yapmak için yeterince çeşitliliğe sahiptir.
Veri Kümesi Yapısı
-
Görüntüler: DOTAv1'den alınan 8 hava karesi (4 eğitim, 4 doğrulama).
-
Sınıflar: Uçak, gemi ve büyük araç gibi 15 adet DOTAv1 kategorisini miras alır.
-
Etiketler: Her görüntünün yanında
.txtdosyaları olarak kaydedilmiş YOLO formatında yönelimli sınırlayıcı kutular. -
Önerilen düzen:
datasets/dota8/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/
Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için tasarlanmıştır.
Veri Kümesi YAML Dosyası
Veri seti yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri setinin yolları, sınıfları ve diğer ilgili bilgileri hakkında veriler içerir. DOTA8 veri seti özelinde dota8.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml adresinde tutulmaktadır.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# DOTA8 dataset (8 images from the DOTAv1 split) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota8/
# Example usage: yolo train model=yolov8n-obb.pt data=dota8.yaml
# parent
# ├── ultralytics
# └── datasets
# └── dota8 ← downloads here (1 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: dota8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/dota8.zipKullanım
DOTA8 veri setinde 640 görüntü boyutu ile 100 dönem (epoch) boyunca bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için Eğitim sayfası modeline bakabilirsin.
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="dota8.yaml", epochs=100, imgsz=640)Örnek Görüntüler ve Ek Açıklamalar
İşte DOTA8 veri setindeki görüntülerden bazı örnekler ve bunlara karşılık gelen açıklamalar:
- Mozaiklenmiş Görüntü: 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 genelleme yeteneğini geliştirmeye yardımcı olur.
Bu örnek, DOTA8 veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim süreci sırasında mozaikleme kullanmanın faydalarını sergilemektedir.
Alıntılar ve Teşekkür
DOTA veri setini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen şu 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={2021},
volume={},
number={},
pages={1-1},
doi={10.1109/TPAMI.2021.3117983}
}DOTA veri setlerinin arkasındaki ekibe, bu veri setini oluşturmak için gösterdikleri takdire şayan çaba nedeniyle özel bir teşekkür ederiz. Veri seti ve incelikleri hakkında kapsamlı bir anlayış için lütfen resmi DOTA web sitesini ziyaret et.
SSS
DOTA8 veri seti nedir ve nasıl kullanılabilir?
DOTA8 veri seti, bölünmüş DOTAv1 setinden alınan ilk 8 görüntüden oluşan, 4 tanesi eğitim ve 4 tanesi doğrulama için ayrılmış küçük, çok yönlü, yönelimli bir nesne algılama veri setidir. Ultralytics YOLO26 gibi nesne algılama modellerini test etmek ve hatalarını ayıklamak için idealdir. Yönetilebilir boyutu ve çeşitliliği sayesinde, işlem hattı hatalarını tanımlamaya ve daha büyük veri setlerini uygulamadan önce doğrulama kontrolleri yapmaya yardımcı olur. Ultralytics YOLO26 ile nesne algılama hakkında daha fazla bilgi edin.
DOTA8 veri setini kullanarak nasıl YOLO26 modeli eğitebilirim?
DOTA8 veri setinde 640 görüntü boyutu ile 100 dönem boyunca bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kapsamlı argüman seçenekleri için Eğitim sayfasına bakabilirsin.
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="dota8.yaml", epochs=100, imgsz=640)DOTA veri setinin temel özellikleri nelerdir ve YAML dosyasına nereden erişebilirim?
DOTA veri seti, büyük ölçekli karşılaştırmaları ve hava görüntülerinde nesne algılama için sunduğu zorluklarla bilinir. DOTA8 alt kümesi, başlangıç testleri için ideal, daha küçük ve yönetilebilir bir veri setidir. Yollar, sınıflar ve yapılandırma detaylarını içeren dota8.yaml dosyasına bu GitHub bağlantısından erişebilirsin.
Mozaikleme, DOTA8 veri seti ile model eğitimini nasıl geliştirir?
Mozaikleme, eğitim sırasında birden fazla görüntüyü birleştirerek her partideki nesne ve bağlam çeşitliliğini artırır. Bu durum, bir modelin farklı nesne boyutlarına, en-boy oranlarına ve sahnelere genelleyebilme yeteneğini geliştirir. Bu teknik, mozaiklenmiş DOTA8 veri seti görüntülerinden oluşan bir eğitim partisi aracılığıyla görsel olarak gösterilebilir ve sağlam model geliştirmeye yardımcı olur. Mozaikleme ve eğitim teknikleri hakkında daha fazla bilgiyi Eğitim sayfamızda keşfedebilirsin.
Nesne algılama görevleri için neden Ultralytics YOLO26 kullanmalıyım?
Ultralytics YOLO26; yönelimli sınırlayıcı kutular (OBB), örnek bölümleme (instance segmentation) gibi özellikler ve son derece çok yönlü bir eğitim hattı dahil olmak üzere en güncel gerçek zamanlı nesne algılama yeteneklerini sağlar. Çeşitli uygulamalar için uygundur ve verimli ince ayar (fine-tuning) için önceden eğitilmiş modeller sunar. Avantajlar ve kullanım hakkında daha fazla bilgiyi Ultralytics YOLO26 dokümantasyonunda keşfedebilirsin.