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#

تُعدّ مجموعة بيانات DOTA8 من Ultralytics صغيرة، لكنها متعددة الاستخدامات لمهمة الكشف عن الأجسام الموجّهة، وتتكوّن من أول 8 صور في مجموعة DOTAv1 المقسّمة، منها 4 للتدريب و4 للتحقق. تُعدّ مجموعة البيانات هذه مثالية لاختبار نماذج الكشف عن الأجسام وتصحيح أخطائها، أو لتجربة أساليب جديدة للكشف. وبوجود 8 صور، 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: 8 لقطات جوية (4 للتدريب و4 للتحقق) 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: 1 ميغابايت، ويُجلب تلقائيًا من أصول Ultralytics على GitHub عند التدريب للمرة الأولى.

• التخطيط الموصى به:

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

استكشف DOTA8 على منصة Ultralytics لتصفح اللقطات الجوية مع تراكبات الصناديق الموجهة، وعرض توزيع الفئات والخرائط الحرارية للتعليقات التوضيحية في علامة التبويب Charts، واستنساخ مجموعة البيانات لتدريب نموذجك في السحابة.

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 DOTA8، يُصان 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 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="dota8.yaml", epochs=100, imgsz=640)

صور وتعليقات توضيحية نموذجية#

إليك بعض الأمثلة على صور من مجموعة بيانات DOTA8، 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 DOTA8 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#