مجموعة بيانات DOTA8#

8

dota8

ultralytics

publicOBB

DOTA8 is Ultralytics' minimal oriented-box smoke-test set: four training and four validation aerial images sampled from DOTA. It uses the canonical 15-class taxonomy and real rotated quadrilaterals for rapid validation of OBB loading, augmentation, training, and export.

515 classes1 MBSep 2, 2026

planeshipstorage tankbaseball diamond+11

مقدمة#

تُعد مجموعة بيانات DOTA8 من Ultralytics مجموعة بيانات صغيرة ومتعددة الاستخدامات لاكتشاف الأجسام ذات الاتجاه، وتتكوّن من أول 8 صور من مجموعة التقسيم DOTAv1، بواقع 4 صور للتدريب و4 للتحقق. تُعد هذه المجموعة مثالية لاختبار نماذج اكتشاف الأجسام وتصحيح أخطائها، أو لتجربة أساليب جديدة للاكتشاف. وبفضل احتوائها على 8 صور، فهي صغيرة بما يكفي لإدارتها بسهولة، ومع ذلك متنوعة بما يكفي لاختبار مسارات التدريب بحثًا عن الأخطاء وإجراء فحص للتأكد من سلامة الإعداد قبل تدريب مجموعات بيانات أكبر.

بنية مجموعة البيانات#

• الصور: 8 رقع جوية (4 للتدريب و4 للتحقق) 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: بحجم 1 ميغابايت، ويُجلب تلقائيًا من أصول Ultralytics على GitHub عند التدريب لأول مرة.

• التخطيط الموصى به:

  datasets/dota8/
  ├── images/
  │   ├── train/
  │   └── val/
  └── labels/
      ├── train/
      └── val/

استكشف DOTA8 على منصة Ultralytics لتصفح الرقع الجوية مع تراكبات المربعات الموجّهة الخاصة بها، وعرض توزيع الفئات والمخططات الحرارية للتعليقات التوضيحية في علامة التبويب المخططات، واستنساخها لتدريب نموذجك الخاص في السحابة.

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 DOTA8، تتم صيانة الملف dota8.yaml في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# DOTA8 dataset (8 images from the DOTAv1 split) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota8
# Example usage: yolo train model=yolov8n-obb.pt data=dota8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dota8 ← downloads here (1 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: dota8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/dota8.zip

الاستخدام#

لتدريب نموذج YOLO26n-obb على مجموعة بيانات DOTA8 لمدة 100 حقبة وبحجم صورة قدره 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

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="dota8.yaml", epochs=100, imgsz=640)

الصور والتعليقات التوضيحية النموذجية#

فيما يلي بعض أمثلة الصور من مجموعة بيانات DOTA8، إلى جانب التعليقات التوضيحية المطابقة لها:

• 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 الصور في مجموعة بيانات DOTA8 وتعقيدها، وفوائد استخدام الفسيفساء أثناء عملية التدريب.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات DOTA في عملك البحثي أو التطويري، 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 على جهوده الجديرة بالتقدير في إعداد مجموعة البيانات هذه. وللحصول على فهم شامل لمجموعة البيانات وخصائصها الدقيقة، يُرجى زيارة موقع DOTA الرسمي.

الأسئلة الشائعة#