مجموعة بيانات DOTA128#

128

DOTA128

ultralytics

publicOBB

DOTA128 is an Ultralytics compact oriented-box subset of Wuhan University's DOTA aerial benchmark. It uses the canonical 15-class taxonomy and real rotated quadrilaterals for fast validation of aerial detection, augmentation, training, and export workflows.

15 classes26.7 MBSep 2, 2026

planeshipstorage tankbaseball diamond+11

aerialobbremote-sensing+2

مقدمة#

تُعد DOTA128، من Ultralytics، مجموعة بيانات صغيرة لكنها متعددة الاستخدامات لاكتشاف الأجسام الموجَّه، وتتألف من 128 صورة من مجموعة DOTAv1، وتُستخدم هذه الصور في قسمي التدريب والتحقق معًا. تُعد مجموعة البيانات هذه مثالية لاختبار نماذج صناديق الإحاطة الموجَّهة (OBB) وتصحيح أخطائها، أو لتجربة أساليب جديدة للكشف. وبفضل احتوائها على 128 صورة، يسهل التعامل معها، كما أنها متنوعة بما يكفي لاختبار مسارات التدريب بحثًا عن الأخطاء، وإجراء فحص للتحقق من سلامة الإعدادات قبل تدريب مجموعات بيانات أكبر.

بنية مجموعة البيانات#

• الصور: 128 صورة جوية مقسمة إلى مربعات (كلها في مجلد train، وتُستخدم للتدريب والتحقق معًا)، ومصدرها DOTAv1.
• الفئات: ترث الفئات الخمس عشرة لمجموعة DOTAv1، مثل الطائرات والسفن والمركبات الكبيرة.
• التسميات: مربعات إحاطة موجّهة بتنسيق YOLO، محفوظة في ملفات .txt بجوار كل صورة.
• التنزيل: حجمها 34 MB، ويُنزَّل تلقائيًا من أصول Ultralytics على GitHub عند بدء التدريب للمرة الأولى.

هذه المجموعة مخصصة للاستخدام مع منصة Ultralytics 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. في حالة مجموعة البيانات DOTA128، تتم صيانة الملف dota128.yaml على 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#

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

from ultralytics import YOLO

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

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

صور نموذجية وتعليقات توضيحية#

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

• صورة فسيفسائية: توضح هذه الصورة دفعة تدريب مؤلفة من صور مجموعة البيانات المجمّعة على هيئة فسيفساء. الفسيفساء تقنية تُستخدم أثناء التدريب وتجمع صورًا متعددة في صورة واحدة لزيادة تنوع الأجسام والمشاهد في كل دفعة تدريب. ويساعد ذلك على تحسين قدرة النموذج على التعميم على أحجام الأجسام ونسب أبعادها وسياقاتها المختلفة.

يوضح المثال تنوع صور مجموعة بيانات DOTA128 وتعقيدها، وفوائد استخدام تركيب الفسيفساء أثناء عملية 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}
}

نتوجه بخالص الشكر إلى الفريق القائم على مجموعات بيانات DOTA تقديرًا لجهوده المتميزة في إعداد هذه المجموعة. للاطلاع على فهم شامل لمجموعة البيانات وخصائصها الدقيقة، يُرجى زيارة موقع DOTA الرسمي.

الأسئلة الشائعة#