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#

تُعدّ مجموعة بيانات DOTA128 من Ultralytics صغيرة، لكنها متعددة الاستخدامات لمهمة الكشف عن الأجسام الموجّهة، وتتكوّن من 128 صورة من مجموعة DOTAv1، وتُستخدم هذه الصور للتدريب والتحقق على حدّ سواء. تُعدّ مجموعة البيانات هذه مثالية لاختبار نماذج صناديق الإحاطة الموجّهة (OBB) وتصحيح أخطائها، أو لتجربة أساليب جديدة للكشف. وبوجود 128 صورة، فهي صغيرة بما يكفي ليسهل التعامل معها، ومتنوعة بما يكفي لاختبار مسارات التدريب بحثًا عن الأخطاء، وتشكّل فحصًا أوليًا قبل التدريب على 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#

لتدريب نموذج YOLO26n-obb على مجموعة بيانات DOTA128 لمدة 100 حقبة وبحجم صورة 640، يمكنك استخدام مقتطفات الشيفرة التالية. للاطلاع على قائمة شاملة بالوسائط المتاحة، راجع صفحة تدريب النموذج.

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}
}

نتوجه بالشكر الخاص إلى الفريق الذي يقف وراء مجموعات بيانات DOTA على جهوده الجديرة بالتقدير في تنسيق مجموعة البيانات هذه. للاطلاع على فهم شامل لمجموعة البيانات وتفاصيلها الدقيقة، يُرجى زيارة موقع DOTA الرسمي.

الأسئلة الشائعة#