DOTA8 Veri Kümesi
Giriş
Ultralytics DOTA8, bölünmüş DOTAv1 setinin ilk 8 görüntüsünden (4'ü eğitim ve 4'ü doğrulama için) oluşan küçük ama çok yönlü yönlendirilmiş bir nesne algılama veri kümesidir. Bu veri kümesi, nesne algılama modellerini test etmek ve hatalarını ayıklamak veya yeni algılama yaklaşımlarını denemek için idealdir. 8 görüntü ile kolayca yönetilebilecek kadar küçüktür, ancak daha büyük veri kümelerini eğitmeden önce hatalar için eğitim ardışık düzenlerini test etmek ve bir akıl sağlığı kontrolü görevi görmek için yeterince çeşitlidir.
Bu veri kümesi, Ultralytics HUB ve YOLO11 ile kullanılmak üzere tasarlanmıştır.
Veri Seti YAML
Bir YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için 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/cfg/datasets/dota8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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: 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
640 görüntü boyutuyla 100 epoch için DOTA8 veri kümesinde bir YOLO11n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.
Eğitim Örneği
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-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=yolo11n-obb.pt epochs=100 imgsz=640
Örnek Görüntüler ve Açıklamalar
İşte DOTA8 veri kümesinden bazı resim örnekleri ve bunlara karşılık gelen açıklamalar:
- Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri seti görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, her eğitim grubundaki nesnelerin ve sahnelerin çeşitliliğini artırmak için birden çok görüntüyü tek bir görüntüde birleştiren eğitim sırasında kullanılan bir tekniktir. Bu, modelin farklı nesne boyutlarına, en boy oranlarına ve bağlamlara genelleme yeteneğini geliştirmeye yardımcı olur.
Bu örnek, DOTA8 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaiklemenin kullanımının faydalarını sergilemektedir.
Alıntılar ve Teşekkürler
Araştırma veya geliştirme çalışmalarınızda DOTA veri kümesini kullanırsanız, 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}
}
Bu veri kümesini düzenleme konusundaki takdire şayan çabalarından dolayı DOTA veri kümelerinin arkasındaki ekibe özel bir teşekkür. Veri kümesi ve nüanslarının kapsamlı bir şekilde anlaşılması için lütfen resmi DOTA web sitesini ziyaret edin.
SSS
DOTA8 veri seti nedir ve nasıl kullanılabilir?
DOTA8 veri seti, DOTAv1 bölünmüş setinden alınan ilk 8 görüntüden oluşan küçük, çok yönlü, yönlendirilmiş nesne algılama veri setidir; 4 görüntü eğitim ve 4 görüntü doğrulama için belirlenmiştir. Ultralytics YOLO11 gibi nesne algılama modellerini test etmek ve hatalarını ayıklamak için idealdir. Yönetilebilir boyutu ve çeşitliliği sayesinde, daha büyük veri setlerini dağıtmadan önce ardışık düzen hatalarını belirlemeye ve sağlamlık kontrolleri çalıştırmaya yardımcı olur. Ultralytics YOLO11 ile nesne algılama hakkında daha fazla bilgi edinin.
DOTA8 veri kümesini kullanarak bir YOLO11 modeli nasıl eğitirim?
640 görüntü boyutuyla 100 epoch için DOTA8 veri kümesinde bir YOLO11n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kapsamlı argüman seçenekleri için model Eğitim sayfasına bakın.
Eğitim Örneği
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-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=yolo11n-obb.pt epochs=100 imgsz=640
DOTA veri kümesinin temel özellikleri nelerdir ve YAML dosyasına nereden erişebilirim?
DOTA veri seti, büyük ölçekli kıyaslama ve hava görüntülerinde nesne algılama için sunduğu zorluklarla bilinir. DOTA8 alt kümesi, ilk testler için ideal olan daha küçük, yönetilebilir bir veri setidir. Erişebilirsiniz dota8.yaml yolları, sınıfları ve yapılandırma ayrıntılarını içeren dosya burada GitHub bağlantısı.
Mozaikleme, DOTA8 veri kümesiyle model eğitimini nasıl geliştirir?
Mozaikleme, eğitim sırasında birden fazla görüntüyü tek bir görüntüde birleştirerek her 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 fazla bilgi edinin.
Nesne algılama görevleri için neden Ultralytics YOLO11 kullanmalıyım?
Ultralytics YOLO11, yönlendirilmiş sınırlayıcı kutular (OBB), örnek segmentasyonu ve son derece çok yönlü bir eğitim hattı gibi özellikler de dahil olmak üzere son teknoloji gerçek zamanlı nesne algılama yetenekleri sağlar. Çeşitli uygulamalar için uygundur ve verimli ince ayar için önceden eğitilmiş modeller sunar. Ultralytics YOLO11 belgelerinde avantajları ve kullanımı hakkında daha fazla bilgi edinin.
