Başla

DOTA8 Veri Kümesi

Giriş#

Ultralytics DOTA8, DOTAv1 kümesinin ilk 8 görüntüsünden oluşan küçük bir döndürülmüş nesne algılama veri kümesidir; 4 görüntü eğitim, 4 görüntü doğrulama için kullanılır. Bu veri kümesi, nesne algılama modellerini test etmek ve hatalarını ayıklamak ya da yeni algılama yaklaşımlarını denemek için idealdir. 8 görüntüyle kolayca yönetilebilecek kadar küçük, ancak eğitim işlem hatlarındaki hataları bulmak ve daha büyük veri kümeleriyle eğitime başlamadan önce temel doğrulama yapmak için yeterince çeşitlidir.

Veri Kümesi Yapısı#

  • Görüntüler: DOTAv1'den alınmış 8 hava görüntüsü döşemesi (4 train, 4 val).

  • Sınıflar: Uçak, gemi ve büyük araç gibi 15 DOTAv1 kategorisini devralır.

  • Etiketler: Her görüntünün yanında .txt dosyalarında kaydedilmiş YOLO biçimli yönlendirilmiş sınırlayıcı kutular.

  • İndirme: 1 MB; ilk eğitiminde Ultralytics GitHub varlıklarından otomatik olarak indirilir.

  • Önerilen düzen:

    datasets/dota8/
    ├── images/
    │   ├── train/
    │   └── val/
    └── labels/
        ├── train/
        └── val/

Hava görüntüsü döşemelerini yönlendirilmiş kutu katmanlarıyla incelemek, Charts sekmesinde sınıf dağılımını ve açıklama ısı haritalarını görüntülemek ve bulutta kendi modelini eğitmek üzere klonlamak için Ultralytics Platform'daki DOTA8'i keşfet.

Veri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. DOTA8 veri kümesinde dota8.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml adresinde tutulur.

ultralytics/cfg/datasets/dota8.yaml
# 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.zip

Kullanım#

DOTA8 veri kümesinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin.

Eğitim Örneği
from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-obb.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda DOTA8 veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar yer alıyor:

DOTA8 oriented bounding box dataset training mosaic
  • Mozaik 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 geliştirir.

Örnek, DOTA8 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sırasında mozaikleme kullanmanın faydalarını gösteriyor.

Atıflar ve Teşekkürler#

Araştırma veya geliştirme çalışmalarında DOTA veri kümesini kullanırsan lütfen aşağıdaki makaleye atıfta bulun:

Atıf
@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}
}

DOTA veri kümelerini derleyen ekibe teşekkür ederiz. Veri kümesiyle ilgili tüm ayrıntılar için resmî DOTA web sitesini ziyaret et.

Sık Sorulan Sorular#

  • DOTA8, DOTAv1 bölünmüş kümesinin ilk 8 görüntüsünden oluşan küçük bir döndürülmüş nesne algılama veri kümesidir; 4 görüntü eğitim, 4 görüntü doğrulama için ayrılmıştır. Ultralytics YOLO26 gibi nesne algılama modellerini test etmek ve hatalarını ayıklamak için idealdir. Yönetilebilir boyutu ve çeşitliliği sayesinde daha büyük veri kümeleriyle eğitime geçmeden önce işlem hattı hatalarını belirlemeye ve temel doğrulamalar yapmaya yardımcı olur.

  • DOTA8 veri kümesinde YOLO26n-obb modelini 100 epoch boyunca 640 görüntü boyutuyla eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kapsamlı bağımsız değişken seçenekleri için modelin Eğitim sayfasına bak.

    Eğitim Örneği
    from ultralytics import YOLO
    
    # Bir model yükle
    model = YOLO("yolo26n-obb.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
    
    # Modeli eğit
    results = model.train(data="dota8.yaml", epochs=100, imgsz=640)
  • DOTA veri kümesi, büyük ölçekli kıyaslama veri kümesiyle ve hava görüntülerinde nesne algılamanın getirdiği zorluklarla bilinir. DOTA8 alt kümesi, ilk testler için ideal, daha küçük ve yönetilebilir bir veri kümesidir. Dosya yollarını, sınıfları ve yapılandırma ayrıntılarını içeren dota8.yaml yapılandırma dosyası, Ultralytics GitHub deposunda tutulur.

  • 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 yeteneğini geliştirir.

  • Ultralytics YOLO26, örnek segmentasyonu gibi diğer görevlerin yanı sıra döndürülmüş sınırlayıcı kutular (OBB) dahil gerçek zamanlı nesne algılamayı da tek bir eğitim işlem hattı üzerinden destekler. Önceden eğitilmiş modelleri ince ayarı verimli hâle getirir.

Yorumlar2

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. expen6veGitHub

    How do you create a dataset for OBB? can i use the visdrone dataset to train an obb model?

    1. Glenn JocherUltralytics

      @expen6ve yes, you can use VisDrone with YOLO OBB by converting your annotations to YOLO OBB format (four corner points with normalized coordinates). Create a dataset YAML file following our DOTA8 example structure, and ensure annotations match the required class_index x1 y1 x2 y2 x3 y3 x4 y4 format. For conversion tools and format details, see our OBB Dataset Guide.