رؤية YOLO 2026:
Research

مجموعة بيانات DOTA128#

مقدمة#

مجموعة بيانات Ultralytics DOTA128 هي مجموعة بيانات كشف الأشياء الموجهة صغيرة الحجم ولكنها متعددة الاستخدامات، وتتكون من 128 صورة من مجموعة DOTAv1 التي تعمل بمثابة تقسيم التدريب والتحقق. مجموعة بيانات DOTA128 مثالية لاختبار وتصحيح أخطاء نماذج مربعات الإحاطة الموجهة (OBB)، أو لتجربة نهج كشف جديدة. ومع وجود 128 صورة، فإن مجموعة بيانات DOTA128 صغيرة بما يكفي لتكون قابلة للإدارة بسهولة، ولكنها متنوعة بما يكفي لاختبار خطوط أنابيب التدريب بحثاً عن الأخطاء والعمل بمثابة فحص سلامة قبل تدريب مجموعات بيانات أكبر.

بنية مجموعة البيانات#

  • الصور: 128 رقعة جوية (جميعها في مجلد train، وتُستخدم لكل من train وval) مصدرها DOTAv1.
  • الفئات: ترث الفئات الخمس عشرة من DOTAv1، مثل الطائرة والسفينة والمركبة الكبيرة.
  • التسميات: مربعات إحاطة موجّهة بتنسيق YOLO محفوظة كملفات .txt بجوار كل صورة.
  • التنزيل: 34 ميغابايت، ويُنزّل تلقائيًا من أصول Ultralytics على GitHub عند التدريب للمرة الأولى.

صُممت مجموعة البيانات هذه للاستخدام مع Ultralytics Platform وYOLO26.

YAML مجموعة البيانات#

يُستخدم ملف YAML لتعريف إعدادات مجموعة البيانات. ويحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها وغير ذلك من المعلومات ذات الصلة. وفي حالة مجموعة بيانات DOTA128، يُصان ملف dota128.yaml في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml.

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#

لتدريب نموذج YOLO26n-obb على مجموعة بيانات DOTA128 لمدة 100 حقبة وبحجم صورة قدره 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

مثال على التدريب
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)

الصور والتعليقات التوضيحية النموذجية#

فيما يلي بعض الأمثلة على صور من مجموعة بيانات DOTA128، إلى جانب التسميات التوضيحية المناظرة لها:

DOTA128 oriented bounding box dataset training mosaic
  • الصورة الموزاييكية: توضح هذه الصورة دفعة تدريب مكوّنة من صور موزاييكية من مجموعة البيانات. والموزاييك تقنية تُستخدم أثناء التدريب وتجمع صورًا متعددة في صورة واحدة لزيادة تنوع الأجسام والمشاهد ضمن كل دفعة تدريب. ويساعد ذلك على تحسين قدرة النموذج على التعميم على أحجام الأجسام ونِسَب العرض إلى الارتفاع والسياقات المختلفة.

يوضح المثال تنوع وتعقيد الصور في مجموعة بيانات DOTA128 وفوائد استخدام التجميع الفسيفسائي أثناء عملية التدريب.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات DOTA في عملك البحثي أو التطويري، فيُرجى الاستشهاد بالورقة البحثية التالية:

اقتباس
@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}
}

نتوجه بخالص الشكر إلى الفريق القائم على مجموعات بيانات DOTA على جهوده الجديرة بالتقدير في إعداد مجموعة البيانات هذه. وللحصول على فهم شامل لمجموعة البيانات وخصائصها الدقيقة، يُرجى زيارة موقع DOTA الرسمي.

الأسئلة الشائعة#

  • مجموعة بيانات DOTA128 هي مجموعة بيانات متعددة الاستخدامات لكشف الأجسام الموجهة، وتتكون من 128 صورة من مجموعة DOTAv1، وجميعها مخزنة في مجلد train. ويستخدم كل من التدريب والتحقق مجموعة الصور نفسها، ما يجعلها مثالية لسير عمل الاختبار وتصحيح الأخطاء السريع. وهي مثالية لاختبار نماذج OBB مثل Ultralytics YOLO26 وتصحيح أخطائها. وبفضل حجمها القابل للإدارة وتنوعها، تساعد في تحديد أخطاء المسار وإجراء فحوصات للسلامة قبل نشر مجموعات بيانات أكبر. تعرّف على المزيد حول كشف الأجسام الموجهة باستخدام Ultralytics YOLO26.

  • لتدريب نموذج YOLO26n-obb على مجموعة بيانات DOTA128 لمدة 100 حقبة وبحجم صورة قدره 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للاطلاع على خيارات الوسائط الشاملة، راجع صفحة التدريب الخاصة بالنموذج.

    مثال على التدريب
    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)

  • تشتهر مجموعة بيانات DOTA بكونها معيارًا مرجعيًا واسع النطاق وبالتحديات التي تفرضها على كشف الأجسام في الصور الجوية. وتوفر المجموعة الفرعية DOTA128 تنوعًا أكبر من DOTA8 مع بقائها قابلة للإدارة في الاختبارات الأولية. يمكنك الوصول إلى ملف dota128.yaml الذي يحتوي على المسارات والفئات وتفاصيل الإعدادات من خلال رابط GitHub هذا.

  • تقع مجموعة بيانات DOTA128 (128 صورة) بين DOTA8 (8 صور) ومجموعة بيانات DOTA-v1 الكاملة (1,869 صورة تدريب وتحقق مصنفة) من حيث الحجم:

    • DOTA8: تحتوي على 8 صور فقط (4 للتدريب و4 للتحقق) - مثالية للاختبارات السريعة وتصحيح الأخطاء
    • DOTA128: تحتوي على 128 صورة (جميعها في مجلد train، وتُستخدم لكل من train وval) - متوازنة بين الحجم والتنوع
    • DOTA-v1 الكاملة: تحتوي على 1,869 صورة تدريب وتحقق مصنفة - شاملة ولكنها تستهلك موارد كثيرة

    توفر DOTA128 حلًا وسطًا جيدًا، إذ تقدم تنوعًا أكبر من DOTA8 مع بقائها أسهل بكثير في الإدارة من مجموعة بيانات DOTA الكاملة لأغراض التجارب والتطوير الأولي للنماذج.

  • يجمع التجميع الفسيفسائي صورًا متعددة في صورة واحدة أثناء التدريب، ما يزيد تنوع الأجسام والسياقات داخل كل دفعة. ويحسن ذلك قدرة النموذج على التعميم على أحجام الأجسام ونسب العرض إلى الارتفاع والمشاهد المختلفة. ويمكن توضيح هذه التقنية بصريًا من خلال دفعة تدريب مؤلفة من صور مجموعة بيانات DOTA128 المجمعة فسيفسائيًا، ما يساعد في تطوير نماذج قوية. استكشف المزيد حول التجميع الفسيفسائي وتقنيات التدريب في صفحة التدريب لدينا.

  • يوفر Ultralytics YOLO26 إمكانات متقدمة لاكتشاف الأجسام في الوقت الفعلي، بما في ذلك ميزات مثل مربعات الإحاطة الموجّهة (OBB)، وتجزئة المثيلات، ومسار تدريب عالي المرونة. وهو مناسب لمختلف التطبيقات، ويوفر نماذج مدرّبة مسبقًا لإجراء الضبط الدقيق بكفاءة. تعرّف على المزيد حول المزايا والاستخدام في وثائق Ultralytics YOLO26.

المساهمون
GLglenn-jocher4RAraimbekovm3PDpderrenger1LALaughing-q1

التعليقات