مجموعة بيانات DOTA مع OBB#

2,806

DOTA v1.5

ultralytics

publicOBB

DOTA v1.5 aerial imagery with 2,806 images and 280,110 reviewed oriented bounding boxes across 16 classes. Source annotations were normalized to valid image bounds; 194 rows were clipped and 86 degenerate rows removed. Provided for research use with attribution to Wuhan University.

16 classes2.7 GBAug 21, 2026

planeshipstorage tankbaseball diamond+12

aerialobbremote-sensing+1

مجموعة بيانات DOTA هي معيار واسع النطاق لاكتشاف الكائنات في الصور الجوية، وقد تم إصدارها في ثلاثة إصدارات (v1.0، وv1.5، وv2.0) مع ما يصل إلى 1.7 مليون تعلي توضيحي بصندوق محيط موجه (OBB) عبر 18 فئة، والتي تم التقاطها من مستشعرات ومنصات جوية متنوعة.

استكشف مجموعات بيانات DOTA v1.5 و DOTA v1.0 المُضافة رسمياً على منصة Ultralytics لاستعراض تعليقاتها الموجهة، وفحص الإحصاءات، ونسخها لأغراض التدريب.

الميزات الرئيسية#

• مجموعة مجمعة من مستشعرات ومنصات مختلفة، تتراوح أحجام الصور فيها من 800 × 800 إلى 20,000 × 20,000 بكسل.
• تضم أكثر من 1.7 مليون صندوق تحديد موجه عبر 18 فئة.
• تشمل اكتشاف الكائنات متعدد المقاييس بفضل الانتشار الواسع لأحجام الكائنات في كل صورة.
• يتم تعليق الحالات بواسطة خبراء باستخدام أشكال رباعية اعتباطية (8 درجات حرية)، مما يلتقط كائنات ذات مقاييس واتجاهات وأشكال مختلفة.

إصدارات مجموعة البيانات#

DOTA-v1.0#

• تحتوي على 15 فئة شائعة.
• تتكون من 2,806 صورة مع 188,282 حالة.
• نسب التقسيم: 1/2 للتدريب (1,411 صورة)، 1/6 للتحقق (458 صورة)، و1/3 للاختبار (937 صورة).

DOTA-v1.5#

• تتضمن نفس صور DOTA-v1.0.
• تم أيضاً تعليق الحالات الصغيرة جداً (أقل من 10 بكسل).
• إضافة فئة جديدة: "رافعة حاويات" (container crane).
• إجمالي 403,318 حالة.
• تم الإصدار خصيصًا لـ تحدي DOAI 2019 لاكتشاف الكائنات في الصور الجوية.

DOTA-v2.0#

• مجموعات من Google Earth، وقمر GF-2 الصناعي، وصور جوية أخرى.
• تحتوي على 18 فئة شائعة.
• تتكون من 11,268 صورة مع عدد هائل بلغ 1,793,658 حالة.
• تقديم فئات جديدة: "مطار" (airport) و"مهبط مروحيات" (helipad).
• تقسيمات الصور:
  • التدريب: 1,830 صورة مع 268,627 حالة.
  • التحقق: 593 صورة مع 81,048 حالة.
  • اختبار-التطوير (Test-dev): 2,792 صورة مع 353,346 حالة.
  • اختبار-التحدي (Test-challenge): 6,053 صورة مع 1,090,637 حالة.

هيكل مجموعة البيانات#

تُظهر DOTA تصميماً مهيكلاً مصمماً خصيصاً لتحديات اكتشاف الكائنات باستخدام OBB:

• الصور: مجموعة واسعة من الصور الجوية عالية الدقة التي تلتقط تضاريس وهياكل متنوعة.
• صناديق التحديد الموجهة: تعليقات في شكل مستطيلات دوارة تحيط بالكائنات بغض النظر عن اتجاهها، وهي مثالية لالتقاط كائنات مثل الطائرات والسفن والمباني.

التطبيقات#

تعتبر DOTA معيارًا لتدريب وتقييم النماذج المصممة خصيصًا لتحليل الصور الجوية. مع تضمين تعليقات OBB التوضيحية، فإنها توفر تحديًا فريدًا، مما يتيح تطوير نماذج اكتشاف الكائنات المتخصصة التي تلبي فروق الصور الجوية. تُعد مجموعة البيانات ذات قيمة خاصة للتطبيقات في الاستشعار عن بعد والمراقبة والرصد البيئي.

YAML مجموعة البيانات#

يحدد ملف YAML الخاص بمجموعة البيانات جذور الصور/التسميات، وأسماء الفئات، وبيانات وصفية مهمة أخرى. تحتفظ Ultralytics بملفات YAML رسمية للإصدارين الأكثر استخدامًا:

• DOTAv1.yaml
• DOTAv1.5.yaml

استخدم ملف YAML الذي يطابق الإصدار الذي قمت بتنزيله، أو قم بإنشاء ملف YAML مخصص إذا كنت تعمل مع DOTA-v2 أو أي مشتق آخر. يتم تنزيل كلا الإصدارين تلقائيًا (2 جيجابايت) من أصول Ultralytics على GitHub في المرة الأولى التي تقوم فيها بالتدريب.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# DOTA 1.0 dataset https://captain-whu.github.io/DOTA/index.html for object detection in aerial images by Wuhan University
# Documentation: https://docs.ultralytics.com/datasets/obb/dota-v2
# Example usage: yolo train model=yolov8n-obb.pt data=DOTAv1.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── DOTAv1 ← downloads here (2 GB)

# 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: DOTAv1 # dataset root dir
train: images/train # train images (relative to 'path') 1411 images
val: images/val # val images (relative to 'path') 458 images
test: images/test # test images (optional) 937 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/DOTAv1.zip

تقسيم صور DOTA#

تتجاوز الصور الخام بشكل روتيني 10,000 بكسل من كل جانب، لذا يلزم التقطيع (tiling) قبل إدخال البيانات إلى YOLO. استخدم المساعد أدناه لتقطيع الصور المصدر إلى أجزاء متداخلة بمقاس 1024 × 1024 بمقاييس متعددة مع الحفاظ على تزامن التعليقات.

from ultralytics.data.split_dota import split_test, split_trainval

# Split train and val set, with labels.
split_trainval(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)
# Split test set, without labels.
split_test(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)

الاستخدام#

لتدريب نموذج على مجموعة بيانات DOTA v1، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. ارجع دائمًا إلى وثائق نموذجك للحصول على قائمة شاملة بالوسائط المتاحة. لأولئك الذين يتطلعون إلى التجربة مع مجموعة فرعية أصغر أولاً، فكر في استخدام مجموعة بيانات DOTA8، والتي تحتوي على 8 صور فقط للاختبار السريع ويمكن تصفحها على منصة Ultralytics.

from ultralytics import YOLO

# Create a new YOLO26n-OBB model from scratch
model = YOLO("yolo26n-obb.yaml")

# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)

عينة من البيانات والتعليقات#

إلقاء نظرة على مجموعة البيانات يوضح عمقها:

• أمثلة DOTA: يؤكد هذا اللقطة على تعقيد المشاهد الجوية وأهمية تعليقات الصندوق المحيط الموجه، والتي تلتقط الكائنات في اتجاهها الطبيعي.

يوفر ثراء مجموعة البيانات رؤى لا تقدر بثمن في تحديات اكتشاف الكائنات الخاصة بالصور الجوية. أصبحت مجموعة بيانات DOTA-v2.0 شائعة بشكل خاص لمشاريع الاستشعار عن بعد والمراقبة الجوية نظرًا لتعليقاتها الشاملة وفئات الكائنات المتنوعة.

الاقتباسات والشكر#

إذا كنت تستخدم DOTA في عملك، يرجى الاستشهاد بالأوراق البحثية ذات الصلة:

@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}
}

ملاحظة شكر خاصة للفريق الكامن وراء مجموعات بيانات DOTA على جهودهم الثنائية في تنسيق مجموعة البيانات هذه. للحصول على فهم شامل لمجموعة البيانات وفروقها الدقيقة، يرجى زيارة official DOTA website.

الأسئلة الشائعة#