DOTA8 Veri Kümesi

Giriş

Ultralytics DOTA8, bölünmüş DOTAv1 setinin 4'ü eğitim ve 4'ü doğrulama için olmak üzere ilk 8 görüntüsünden oluşan küçük ama çok yönlü bir nesne algılama veri kümesidir. Bu veri kümesi, nesne algılama modellerini test etmek ve hata ayıklamak ya da yeni algılama yaklaşımlarını denemek için idealdir. 8 görüntü ile kolayca yönetilebilecek kadar küçüktür, ancak eğitim boru hatlarını hatalara karşı test etmek ve daha büyük veri kümelerini eğitmeden önce bir akıl sağlığı kontrolü görevi görecek kadar çeşitlidir.

Bu veri seti Ultralytics HUB ile kullanılmak üzere tasarlanmıştır ve YOLOv8.

Veri Kümesi YAML

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. DOTA8 veri kümesi söz konusu olduğunda dota8.yaml dosyası şu adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 license
# DOTA8 dataset 8 images from split DOTAv1 dataset 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 (1MB)

# 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: ../datasets/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 epok için bir YOLOv8n-obb modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolov8n-obb.pt epochs=100 imgsz=640

Örnek Görüntüler ve Açıklamalar

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

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, eğitim sırasında kullanılan ve her bir 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 ve eğitim sürecinde mozaikleme kullanmanın faydalarını göstermektedir.

Atıflar ve Teşekkür

Araştırma veya geliştirme çalışmalarınızda DOTA veri setini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:

@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 setinin küratörlüğünde gösterdikleri övgüye değer çaba için özel bir teşekkür notu. Veri setini ve nüanslarını kapsamlı bir şekilde anlamak için lütfen resmi DOTA web sitesini ziyaret edin.

SSS

DOTA8 veri seti nedir ve nasıl kullanılabilir?

DOTA8 veri seti, DOTAv1 bölünmüş setindeki ilk 8 görüntüden oluşan küçük, çok yönlü bir nesne algılama veri setidir; 4 görüntü eğitim ve 4 görüntü doğrulama için belirlenmiştir. Ultralytics YOLOv8 gibi nesne algılama modellerini test etmek ve hata ayıklamak için idealdir. Yönetilebilir boyutu ve çeşitliliği nedeniyle, daha büyük veri kümelerini dağıtmadan önce boru hattı hatalarını belirlemeye ve sağlık kontrolleri yapmaya yardımcı olur. Nesne algılama hakkında daha fazla bilgi için Ultralytics YOLOv8.

DOTA8 veri kümesini kullanarak bir YOLOv8 modelini nasıl eğitebilirim?

Bir YOLOv8n-obb modelini 640 görüntü boyutuyla 100 epok için DOTA8 veri kümesi üzerinde eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kapsamlı bağımsız değişken seçenekleri için Model Eğitimi sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolov8n-obb.pt epochs=100 imgsz=640

DOTA veri setinin temel özellikleri nelerdir ve YAML dosyasına nereden erişebilirim?

DOTA veri kümesi, büyük ölçekli kıyaslaması ve hava görüntülerinde nesne tespiti için sunduğu zorluklarla bilinir. DOTA8 alt kümesi, ilk testler için ideal olan daha küçük, yönetilebilir bir veri kümesidir. Erişim için dota8.yaml yollarını, sınıfları ve yapılandırma ayrıntılarını içeren bu dosyada GitHub bağlantısı.

Mozaikleme DOTA8 veri seti ile model eğitimini nasıl geliştirir?

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

Nesne algılama görevleri için neden Ultralytics YOLOv8 adresini kullanmalıyım?

Ultralytics YOLOv8 Yönlendirilmiş sınırlayıcı kutular (OBB), örnek segmentasyonu ve çok yönlü bir eğitim hattı gibi özellikler de dahil olmak üzere son teknoloji ürünü gerçek zamanlı nesne algılama yetenekleri sağlar. Çeşitli uygulamalar için uygundur ve verimli ince ayar için önceden eğitilmiş modeller sunar. Ultralytics YOLOv8 belgelerinde avantajlar ve kullanım hakkında daha fazla bilgi edinin.

Yorumlar