Tập dữ liệu DOTA8#

Giới thiệu#

Ultralytics DOTA8 là một tập dữ liệu object detection có định hướng nhỏ nhưng đa năng, bao gồm 8 hình ảnh đầu tiên của tập DOTAv1 được chia tách, trong đó có 4 ảnh cho huấn luyện và 4 ảnh cho xác thực. Tập dữ liệu này lý tưởng để kiểm thử và gỡ lỗi các model object detection, hoặc để thử nghiệm các cách tiếp cận phát hiện mới. Với 8 hình ảnh, nó đủ nhỏ để dễ dàng quản lý, nhưng lại đủ đa dạng để kiểm tra các pipeline huấn luyện tìm lỗi và đóng vai trò như một bước kiểm tra hợp lý trước khi huấn luyện các tập dữ liệu lớn hơn.

Cấu trúc tập dữ liệu#

• Hình ảnh: 8 ảnh chụp từ trên không (4 ảnh train, 4 ảnh val) được 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: Các bounding box có định hướng theo định dạng YOLO được lưu dưới dạng các file .txt bên cạnh mỗi hình ảnh.

• Tải xuống: 1 MB, được tự động lấy từ tài nguyên GitHub của Ultralytics trong lần đầu tiên bạn huấn luyện.

• Bố cục đề xuất:

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

Khám phá DOTA8 on Ultralytics Platform để duyệt qua các ô ảnh trên không với lớp phủ hộp có định hướng của chúng, xem phân phối lớp và bản đồ nhiệt chú thích trong tab Charts, đồng thời sao chép nó để huấn luyện model của riêng bạn trên cloud.

YAML tập dữ liệu#

Một file YAML được sử dụng để xác định cấu hình tập dữ liệu. Nó chứa thông tin về các đường dẫn, lớp và các thông tin liên quan khác của tập dữ liệu. Trong trường hợp của tập dữ liệu DOTA8, file dota8.yaml được duy trì tại https://github.com/ultralytics/ultralytics/blob/main/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

Cách sử dụng#

Để huấn luyện model YOLO26n-obb trên tập dữ liệu DOTA8 trong 100 epochs với kích thước ảnh là 640, bạn có thể sử dụng các đoạn code sau. Để có danh sách toàn diện các tham số có sẵn, hãy tham khảo trang Training của model.

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)

Hình ảnh mẫu và chú thích#

Dưới đây là một số ví dụ về các hình ảnh từ tập dữ liệu DOTA8, cùng với các chú thích (annotation) 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 cho thấy sự đa dạng và phức tạp của các hình ảnh trong tập dữ liệu DOTA8 cũng như những lợi ích của việc sử dụng kỹ thuật mosaicing trong quá trình huấn luyện.

Trích 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={2022},
  volume={44},
  number={11},
  pages={7778-7796},
  doi={10.1109/TPAMI.2021.3117983}
}

Xin gửi lời cảm ơn đặc biệt đến đội ngũ đằng sau các tập dữ liệu DOTA vì nỗ lực đáng khen ngợi của họ trong việc tuyển chọn tập dữ liệu này. Để hiểu rõ toàn diện về tập dữ liệu và các sắc thái của nó, vui lòng truy cập official DOTA website.

Câu hỏi thường gặp#