Link to this sectionTập dữ liệu DOTA128#
Link to this sectionGiới thiệu#
Ultralytics DOTA128 là một tập dữ liệu phát hiện đối tượng có hướng nhỏ gọn nhưng linh hoạt, bao gồm 128 hình ảnh từ bộ DOTAv1, với 128 hình ảnh dùng cho cả huấn luyện và xác thực. Tập dữ liệu này lý tưởng để kiểm thử và gỡ lỗi các mô hình hộp bao quanh có hướng (OBB), hoặc để thử nghiệm các phương pháp phát hiện mới. Với 128 hình ảnh, nó đủ nhỏ để dễ dàng quản lý, nhưng vẫn đủ đa dạng để kiểm thử quy trình huấn luyện nhằm tìm lỗi và đóng vai trò như một bước kiểm tra sơ bộ trước khi huấn luyện trên các tập dữ liệu lớn hơn.
Link to this sectionCấu trúc tập dữ liệu#
- Hình ảnh: 128 ô ảnh hàng không (tất cả nằm trong thư mục train, được sử dụng cho cả train và val) lấy từ DOTAv1.
- Các lớp (Classes): Thừa hưởng 15 danh mục của DOTAv1 như máy bay, tàu thủy, và xe cơ giới cỡ lớn.
- Nhãn (Labels): Các hộp bao quanh theo hướng (oriented bounding boxes) định dạng YOLO được lưu dưới dạng tệp
.txtnằm cạnh mỗi hình ảnh.
Tập dữ liệu này được thiết kế để sử dụng với Ultralytics Platform và YOLO26.
Link to this sectionYAML tập dữ liệu#
Một tệp YAML (Yet Another Markup Language) được sử dụng để xác định cấu hình tập dữ liệu. Nó chứa thông tin về đường dẫn, các lớp của tập dữ liệu và các thông tin liên quan khác. Trong trường hợp của tập dữ liệu DOTA128, tệp dota128.yaml được duy trì tại 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.zipLink to this sectionCách sử dụng#
Để huấn luyện mô hình YOLO26n-obb trên tập dữ liệu DOTA128 trong 100 epoch với kích thước hình ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Để có danh sách đầy đủ các đối số khả dụng, hãy tham khảo trang Huấn luyện của mô hình.
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)Link to this sectionHình ảnh mẫu và chú thích#
Dưới đây là một số ví dụ về hình ảnh từ tập dữ liệu DOTA128, cùng với các chú thích tương ứng:
- Hình ảnh Mosaiced: Hình ảnh này minh họa một batch huấn luyện bao gồm các hình ảnh từ tập dữ liệu đã được áp dụng kỹ thuật Mosaic. Mosaic là một kỹ thuật được sử dụng trong quá trình huấn luyện nhằm kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng sự đa dạng của các đối tượng và bối cảnh trong mỗi batch huấn luyện. Điều này giúp cải thiện khả năng tổng quát hóa của model đối với các kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau.
Ví dụ này thể hiện sự đa dạng và phức tạp của các hình ảnh trong tập dữ liệu DOTA128 cũng như những lợi ích của việc sử dụng kỹ thuật ghép ảnh (mosaicing) trong quá trình huấn luyện.
Link to this sectionTrích dẫn và Ghi nhận#
Nếu bạn sử dụng tập dữ liệu DOTA trong công việc nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn bài báo sau:
@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}
}Đặc biệt cảm ơn đội ngũ đứng sau các tập dữ liệu DOTA vì nỗ lực đáng khen ngợi của họ trong việc quản lý tập dữ liệu này. Để hiểu tường tận về tập dữ liệu và các đặc thù của nó, vui lòng truy cập trang web chính thức của DOTA.
Link to this sectionCâu hỏi thường gặp#
Link to this sectionTập dữ liệu DOTA128 là gì và làm thế nào để sử dụng nó?#
Tập dữ liệu DOTA128 là một tập dữ liệu phát hiện đối tượng có hướng linh hoạt bao gồm 128 hình ảnh từ bộ DOTAv1, tất cả được lưu trữ trong thư mục train. Cả huấn luyện và xác thực đều sử dụng cùng một bộ hình ảnh, giúp nó trở nên lý tưởng cho các quy trình kiểm thử và gỡ lỗi nhanh. Nó rất thích hợp để kiểm thử và gỡ lỗi các mô hình OBB như Ultralytics YOLO26. Nhờ kích thước dễ quản lý và tính đa dạng, nó hỗ trợ xác định lỗi quy trình và thực hiện kiểm tra sơ bộ trước khi triển khai các tập dữ liệu lớn hơn. Tìm hiểu thêm về phát hiện OBB với Ultralytics YOLO26.
Link to this sectionLàm thế nào để tôi huấn luyện mô hình YOLO26 bằng cách sử dụng tập dữ liệu DOTA128?#
Để huấn luyện mô hình YOLO26n-obb trên tập dữ liệu DOTA128 trong 100 epoch với kích thước hình ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Để biết các tùy chọn đối số đầy đủ, hãy tham khảo trang Huấn luyện của mô hình.
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)Link to this sectionCác tính năng chính của tập dữ liệu DOTA là gì và tôi có thể truy cập tệp YAML ở đâu?#
Tập dữ liệu DOTA được biết đến với quy mô chuẩn lớn và những thách thức mà nó đặt ra đối với việc phát hiện đối tượng trong ảnh hàng không. Tập con DOTA128 cung cấp sự đa dạng hơn so với DOTA8 trong khi vẫn giữ được khả năng quản lý cho các thử nghiệm ban đầu. Bạn có thể truy cập tệp dota128.yaml, trong đó chứa các đường dẫn, lớp và chi tiết cấu hình, tại liên kết GitHub này.
Link to this sectionDOTA128 so sánh thế nào với các biến thể tập dữ liệu DOTA khác?#
DOTA128 (128 hình ảnh) nằm giữa DOTA8 (8 hình ảnh) và tập dữ liệu DOTA-v1 đầy đủ (1.869 hình ảnh) về mặt kích thước:
- DOTA8: Chỉ chứa 8 hình ảnh (4 train, 4 val) - lý tưởng cho các thử nghiệm nhanh và gỡ lỗi
- DOTA128: Chứa 128 hình ảnh (tất cả trong thư mục train, được dùng cho cả train và val) - cân bằng giữa kích thước và sự đa dạng
- Full DOTA-v1: Chứa 1.869 hình ảnh - toàn diện nhưng đòi hỏi nhiều tài nguyên
DOTA128 cung cấp một điểm trung gian tốt, mang lại sự đa dạng hơn so với DOTA8 trong khi vẫn dễ quản lý hơn nhiều so với tập dữ liệu DOTA đầy đủ cho việc thử nghiệm và phát triển mô hình ban đầu.
Link to this sectionKỹ thuật ghép ảnh (mosaicing) tăng cường huấn luyện mô hình với tập dữ liệu DOTA128 như thế nào?#
Mosaicing kết hợp nhiều hình ảnh thành một trong quá trình huấn luyện, làm tăng sự đa dạng của các đối tượng và bối cảnh trong mỗi batch. Điều này cải thiện khả năng tổng quát hóa của mô hình đối với các kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau. Kỹ thuật này có thể được minh họa trực quan thông qua một batch huấn luyện bao gồm các hình ảnh từ tập dữ liệu DOTA128 đã qua ghép, giúp phát triển mô hình một cách mạnh mẽ. Khám phá thêm về mosaicing và các kỹ thuật huấn luyện trên trang Huấn luyện của chúng tôi.
Link to this sectionTại sao tôi nên sử dụng Ultralytics YOLO26 cho các tác vụ phát hiện đối tượng có hướng?#
Ultralytics YOLO26 cung cấp các khả năng phát hiện đối tượng theo thời gian thực hiện đại, bao gồm các tính năng như hộp bao quanh theo hướng (OBB), phân đoạn đối tượng (instance segmentation) và một pipeline huấn luyện linh hoạt cao. Nó phù hợp cho nhiều ứng dụng khác nhau và cung cấp các model đã được huấn luyện sẵn để tinh chỉnh hiệu quả. Khám phá thêm về các ưu điểm và cách sử dụng trong tài liệu Ultralytics YOLO26.