مجموعة بيانات DOTA8#

8

dota8

ultralytics

publicOBB

Sample dataset with 8 aerial images from DOTA for testing YOLO oriented bounding box (OBB) models. Designed for rotated object detection in satellite and drone imagery.

515 classes1 MBFeb 9, 2026

planeshipstorage tankbaseball diamond+11

مقدمة#

Ultralytics DOTA8 هو مجموعة بيانات صغيرة ولكنها متعددة الاستخدامات object detection موجهة، تتكون من أول 8 صور من مجموعة DOTAv1 المقسمة، 4 للتدريب و4 للتحقق من الصحة. تعتبر مجموعة البيانات هذه مثالية لاختبار وتصحيح أخطاء نماذج كشف الكائنات، أو لتجربة نهج كشف جديدة. مع 8 صور، فهي صغيرة بما يكفي لتكون قابلة للإدارة بسهولة، وفي نفس الوقت متنوعة بما يكفي لاختبار خطوط أنابيب التدريب بحثاً عن الأخطاء والعمل كفحص صحي قبل تدريب مجموعات بيانات أكبر.

هيكل مجموعة البيانات#

• الصور: 8 بلاطات جوية (4 للتدريب، 4 للتحقق) مصدرها DOTAv1.

• الفئات: ترث 15 فئة من DOTAv1 مثل الطائرة والسفينة والمركبات الكبيرة.

• التسميات: مربعات إحاطة موجهة بتنسيق YOLO محفوظة كملفات .txt بجانب كل صورة.

• تنزيل: 1 ميجابايت، يتم جلبه تلقائيًا من أصول Ultralytics GitHub في المرة الأولى التي تقوم فيها بالتدريب.

• التخطيط الموصى به:

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

استكشف DOTA8 on Ultralytics Platform لتصفح البلاطات الجوية مع تراكبات المربعات الموجهة الخاصة بها، وعرض توزيع الفئات الخرائط الحرارية التعليقات التوضيحية في علامة التبويب Charts، واستنساخها لتدريب نموذجك الخاص في السحابة.

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 البيانات DOTA8، يتم الاحتفاظ بملف dota8.yaml على 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 البيانات DOTA8 لمدة 100 epochs بحجم صورة يبلغ 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة Training 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)

صور وشروحات توضيحية عينة#

إليك بعض الأمثلة لصور من مجموعة بيانات DOTA8، بالإضافة إلى توضيحاتها المقابلة:

• 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 DOTA8 وفوائد استخدام الفسيفساء 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#