Link to this sectionDOTA8 Veri Kümesi#

Link to this sectionGiriş#

Ultralytics DOTA8, DOTAv1 setinin ilk 8 görüntüsünden oluşan (4 eğitim, 4 doğrulama için) küçük ama çok yönlü bir yönelimli nesne algılama veri kümesidir. Bu veri kümesi, nesne algılama modellerini test etmek, hata ayıklamak veya yeni algılama yaklaşımlarıyla denemeler yapmak için idealdir. 8 görüntü ile yönetilmesi kolay olacak kadar küçük, ancak eğitim hatlarını hatalara karşı test etmek ve daha büyük veri kümelerini eğitmeden önce bir doğrulama kontrolü yapmak için yeterince çeşitlidir.

Link to this sectionVeri Kümesi Yapısı#

• Görüntüler: DOTAv1'den alınan 8 hava karesi (4 eğitim, 4 doğrulama).

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

• Etiketler: Her görüntünün yanında .txt dosyaları olarak kaydedilen YOLO biçimli yönelimli sınırlayıcı kutular.

• Önerilen düzen:

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

Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için hazırlanmıştır.

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir. DOTA8 veri kümesi durumunda, 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.zip

Link to this sectionKullanım#

DOTA8 veri kümesi üzerinde 640 görüntü boyutuyla 100 dönem (epoch) boyunca bir YOLO26n-obb modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için model Eğitim sayfasına bak.

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)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

İşte DOTA8 veri kümesinden, karşılık gelen açıklamalarıyla birlikte bazı görüntü örnekleri:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi 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 yapma yeteneğini geliştirmeye yardımcı olur.

Bu örnek, DOTA8 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın avantajlarını sergilemektedir.

Link to this sectionAlıntılar ve Teşekkür#

Araştırma veya geliştirme çalışmalarında DOTA veri kümesini kullanırsan, lütfen aşağıdaki 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}
}

Bu veri kümesini kürate etme konusundaki övgüye değer çabaları için DOTA veri kümelerinin arkasındaki ekibe özel bir teşekkür borçluyuz. Veri kümesi ve nüansları hakkında kapsamlı bir anlayış için lütfen resmi DOTA web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionDOTA8 veri kümesi nedir ve nasıl kullanılabilir?#

DOTA8 veri kümesi, DOTAv1 bölünmüş setinden ilk 8 görüntüden oluşan (4'ü eğitim, 4'ü doğrulama için) küçük ve çok yönlü bir yönelimli nesne algılama veri kümesidir. Ultralytics YOLO26 gibi nesne algılama modellerini test etmek ve hata ayıklamak için idealdir. Yönetilebilir boyutu ve çeşitliliği sayesinde, daha büyük veri kümelerini dağıtmadan önce hat hatalarını tanımlamaya ve doğrulama kontrolleri yapmaya yardımcı olur. Ultralytics YOLO26 ile nesne algılama hakkında daha fazla bilgi edin.

Link to this sectionDOTA8 veri kümesini kullanarak bir YOLO26 modelini nasıl eğitirim?#

DOTA8 veri kümesi üzerinde 640 görüntü boyutuyla 100 dönem boyunca bir YOLO26n-obb modelini eğitmek için şu kod parçacıklarını kullanabilirsin. Kapsamlı bağımsız değişken seçenekleri için model Eğitim sayfasına bak.

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)

Link to this sectionDOTA veri kümesinin temel özellikleri nelerdir ve YAML dosyasına nereden erişebilirim?#

DOTA veri kümesi, büyük ölçekli kıyaslaması ve hava görüntülerinde nesne algılama için sunduğu zorluklarla bilinir. DOTA8 alt kümesi, ilk testler için ideal, daha küçük ve yönetilebilir bir veri kümesidir. Yolları, sınıfları ve yapılandırma ayrıntılarını içeren dota8.yaml dosyasına bu GitHub bağlantısından erişebilirsin.

Link to this sectionMozaikleme, DOTA8 veri kümesiyle model eğitimini nasıl geliştirir?#

Mozaikleme, eğitim sırasında birden fazla görüntüyü birleştirerek her yığındaki nesne ve bağlam çeşitliliğini artırır. Bu, modelin farklı nesne boyutlarına, en boy oranlarına ve sahnelere genelleme yeteneğini geliştirir. Bu teknik, mozaiklenmiş DOTA8 veri kümesi görüntülerinden oluşan bir eğitim yığını aracılığıyla görsel olarak gösterilebilir ve sağlam model geliştirmeye yardımcı olur. Mozaikleme ve eğitim teknikleri hakkında daha fazlasını Eğitim sayfamızda keşfet.

Link to this sectionNesne algılama görevleri için neden Ultralytics YOLO26 kullanmalıyım?#

Ultralytics YOLO26, yönelimli sınırlayıcı kutular (OBB), örnek bölümleme (instance segmentation) ve son derece çok yönlü bir eğitim hattı dahil olmak üzere en son teknoloji gerçek zamanlı nesne algılama yetenekleri sağlar. Çeşitli uygulamalar için uygundur ve verimli ince ayar için önceden eğitilmiş modeller sunar. Avantajlar ve kullanım hakkında daha fazlasını Ultralytics YOLO26 dokümantasyonunda keşfet.