مجموعة بيانات DOTA128#
مقدمة#
Ultralytics DOTA128 هو مجموعة بيانات صغيرة ولكنها متعددة الاستخدامات لـ object detection الموجه، تتكون من 128 صورة من مجموعة DOTAv1، مقسمة بالتساوي للتدريب والتحقق. هذه المجموعة مثالية لاختبار وتنقيح نماذج مربعات الإحاطة الموجهة (OBB)، أو لتجربة نهج اكتشاف جديدة. مع 128 صورة، فهي صغيرة بما يكفي لتكون قابلة للإدارة بسهولة، ومع ذلك فهي متنوعة بما يكفي لاختبار مسارات التدريب بحثاً عن الأخطاء والعمل كفحص سلامة قبل تدريب مجموعات بيانات أكبر.
هيكل مجموعة البيانات#
- الصور: 128 بلاطة جوية (كلها في مجلد التدريب، وتستخدم لكل من التدريب والتحقق) مصدرها DOTAv1.
- الفئات: ترث 15 فئة من DOTAv1 مثل الطائرة والسفينة والمركبات الكبيرة.
- التسميات: مربعات إحاطة موجهة بتنسيق YOLO محفوظة كملفات
.txtبجانب كل صورة. - تنزيل: 34 ميجابايت، يتم جلبها تلقائيًا من أصول Ultralytics GitHub في المرة الأولى التي تقوم فيها بالتدريب.
مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics Platform و YOLO26.
YAML مجموعة البيانات#
يتم استخدام ملف YAML لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، وغيرها من المعلومات ذات الصلة. في حالة مجموعة بيانات DOTA128، يتم الاحتفاظ بملف dota128.yaml على الرابط 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.zipالاستخدام#
لتدريب نموذج YOLO26n-obb على مجموعة بيانات DOTA128 لمدة 100 epochs بحجم صورة يبلغ 640، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة Training للنموذج.
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)صور وشروحات توضيحية عينة#
فيما يلي بعض الأمثلة للصور من مجموعة بيانات DOTA128، إلى جانب التعليقات التوضيحية المقابلة لها:
- صورة مجمعة (Mosaiced Image): توضح هذه الصورة دفعة تدريب تتكون من صور مجموعة بيانات مجمعة. الفسيفساء (Mosaicing) هي تقنية تُستخدم أثناء التدريب تدمج صورًا متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام كائنات ونسب عرض إلى ارتفاع وسياقات مختلفة.
يعرض المثال تنوع وتعقيد الصور في مجموعة بيانات DOTA128 وفوائد استخدام الفسيفساء (mosaicing) أثناء عملية التدريب.
الاقتباسات والشكر#
إذا كنت تستخدم مجموعة بيانات DOTA في بحثك أو عملك التطويري، يرجى 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}
}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#
مجموعة بيانات DOTA128 هي مجموعة بيانات لاكتشاف الكائنات الموجهة والمتعددة الاستخدامات والمكونة من 128 صورة من مجموعة DOTAv1، وجميعها مخزنة في مجلد train. يستخدم كل من التدريب والتحقق نفس مجموعة الصور، مما يجعلها مثالية لمهام الاختبار السريع والتصحيح. إنها مثالية لاختبار وتصحيح أخطاء نماذج OBB مثل Ultralytics YOLO26. نظراً لحجمها القابل للإدارة وتنوعها، فإنها تساعد في تحديد أخطاء مسار العمل وتشغيل فحوصات السلامة قبل نشر مجموعات بيانات أكبر. تعرف على المزيد حول اكتشاف OBB باستخدام Ultralytics YOLO26.
لتدريب نموذج YOLO26n-obb على مجموعة بيانات DOTA128 لمدة 100 حقبة بحجم صورة يبلغ 640، يمكنك استخدام مقتطفات الكود التالية. للحصول على خيارات وسائط شاملة، راجع صفحة Training للنموذج.
مثال على التدريبfrom 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 بمعيارها واسع النطاق والتحديات التي تفرضها على اكتشاف الكائنات في صور الأقمار الصناعية والجوية. توفر مجموعة DOTA128 الفرعية تنوعاً أكبر من DOTA8 مع بقائها قابلة للإدارة للاختبارات الأولية. يمكنك الوصول إلى ملف
dota128.yaml، الذي يحتوي على المسارات والفئات وتفاصيل التكوين، على هذا الرابط في GitHub.تقع DOTA128 (128 صورة) بين DOTA8 (8 صور) ومجموعة بيانات DOTA-v1 الكاملة (1,869 صورة) من حيث الحجم:
- DOTA8: تحتوي على 8 صور فقط (4 للتدريب، 4 للتحقق) - مثالية للاختبارات السريعة والتصحيح
- DOTA128: تحتوي على 128 صورة (كلها في مجلد التدريب، وتستخدم لكل من التدريب والتحقق) - متوازنة بين الحجم والتنوع
- DOTA-v1 الكاملة: تحتوي على 1869 صورة - شاملة ولكنها تستهلك الكثير من الموارد
توفر DOTA128 نقطة وسط جيدة، حيث تقدم تنوعاً أكبر من DOTA8 مع بقائها أكثر قابلية للإدارة بكثير من مجموعة بيانات DOTA الكاملة للتجريب وتطوير النموذج الأولي.
تدمج تقنية Mosaicing صوراً متعددة في صورة واحدة أثناء التدريب، مما يزيد من تنوع الكائنات والسياقات داخل كل دفعة. يؤدي هذا إلى تحسين قدرة النموذج على التعميم على أحجام الكائنات المختلفة، نسب الأبعاد، والمشاهد. يمكن إثبات هذه التقنية بصرياً من خلال دفعة تدريبية تتكون من صور مجموعة بيانات DOTA128 المدمجة، مما يساعد في تطوير نموذج قوي. استكشف المزيد حول تقنيات التدمج والتدريب على صفحة Training الخاصة بنا.
يقدم Ultralytics YOLO26 إمكانيات الكشف عن الكائنات في الوقت الفعلي على أحدث طراز، بما في ذلك ميزات مثل مربعات الإحاطة الموجهة (OBB)، وinstance segmentation، وخط أنابيب تدريب متعدد الاستخدامات للغاية. إنه مناسب لمختلف التطبيقات ويقدم نماذج مدربة مسبقًا للضبط الدقيق الفعال. استكشف المزيد حول المزايا والاستخدام في Ultralytics YOLO26 documentation.