مجموعة بيانات DOTA128

128

DOTA128

ultralytics

PublicOBB

Compact sample of aerial and satellite image tiles for testing oriented detection, created by Ultralytics from Wuhan University's DOTA v1.0. Large enough for quick training and augmentation checks beyond DOTA8, yet too small for benchmarking; use full DOTA v1.0 or v1.5 for real results. Source: Xia, Bai, Ding, et al., "DOTA: A Large-Scale Dataset for Object Detection in Aerial Images," CVPR 2018; captain-whu.github.io/DOTA.

15 classes26.7 MBOct 23, 2026

planeshipstorage tankbaseball diamond+11

aerialobbremote-sensing+2

مقدمة#

مجموعة بيانات DOTA128 من Ultralytics هي مجموعة صغيرة لـاكتشاف الكائنات باستخدام المربعات الموجّهة، وتتألف من 128 صورة من مجموعة DOTAv1 تُستخدم في قسمي التدريب والتحقق. وهي مثالية لاختبار نماذج مربعات الإحاطة الموجّهة (OBB) وتصحيح أخطائها، أو لتجربة أساليب جديدة للاكتشاف. وبفضل صورها الـ128، يسهل التعامل معها، ومع ذلك فهي متنوعة بما يكفي لاختبار مسارات التدريب وتحديد أخطائها، ولتكون فحصًا أوليًا قبل تدريب مجموعات بيانات أكبر.

بنية مجموعة البيانات#

• الصور: 128 لقطة جوية (جميعها في مجلد التدريب، وتُستخدم للتدريب والتحقق معًا) من DOTAv1.
• الفئات: ترث الفئات الـ15 في DOTAv1، مثل الطائرة والسفينة والمركبة الكبيرة.
• التسميات: صناديق إحاطة موجهة بتنسيق YOLO، محفوظة في ملفات .txt بجوار كل صورة.
• التنزيل: 34 ميغابايت، ويُجلب تلقائيًا من أصول Ultralytics على GitHub عند التدريب للمرة الأولى.

صُممت مجموعة البيانات هذه للاستخدام مع Ultralytics Platform وYOLO26.

ملف YAML لمجموعة البيانات#

يُستخدم ملف YAML لتحديد إعدادات مجموعة البيانات. ويحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها وغيرها من المعلومات ذات الصلة. وبالنسبة إلى مجموعة بيانات DOTA128، يُصان الملف dota128.yaml في 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.zip

الاستخدام#

من أجل تدريب نموذج YOLO26n-obb على مجموعة بيانات DOTA128 لمدة 100 حقبة باستخدام حجم صورة يبلغ 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-obb.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨تدريب النموذج⁩
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)

صور وتعليقات توضيحية نموذجية#

إليك بعض الأمثلة على صور من مجموعة بيانات DOTA128، إلى جانب التعليقات التوضيحية المقابلة لها:

• صورة فسيفسائية: توضح هذه الصورة دفعة تدريب مكوّنة من صور مجموعة البيانات بعد دمجها بتقنية الفسيفساء. الفسيفساء تقنية تُستخدم أثناء التدريب، وتجمع صوراً متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد في كل دفعة تدريب. ويساعد ذلك على تحسين قدرة النموذج على التعميم على أحجام الكائنات ونسب أبعادها وسياقاتها المختلفة.

يوضح المثال تنوع الصور في مجموعة بيانات DOTA128 وتعقيدها، وفوائد استخدام تركيب الفسيفساء أثناء التدريب.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات DOTA في أبحاثك أو أعمال التطوير، فيُرجى الاستشهاد بالورقة البحثية التالية:

@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}
}

نشكر الفريق الذي أعد مجموعات بيانات DOTA. للاطلاع على التفاصيل الكاملة لمجموعة البيانات، تفضل بزيارة موقع DOTA الرسمي.

الأسئلة الشائعة#