مجموعة بيانات DOTA8
مقدمة#
مجموعة بيانات DOTA8 من Ultralytics هي مجموعة صغيرة لـاكتشاف الكائنات باستخدام المربعات الموجّهة، وتتألف من أول 8 صور من مجموعة DOTAv1 المقسمة، منها 4 للتدريب و4 للتحقق. وهي مثالية لاختبار نماذج اكتشاف الكائنات وتصحيح أخطائها، أو لتجربة أساليب جديدة للاكتشاف. وبفضل صورها الثماني، يسهل التعامل معها، ومع ذلك فهي متنوعة بما يكفي لاختبار مسارات التدريب وتحديد أخطائها، ولتكون فحصًا أوليًا قبل تدريب 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
.txtبجوار 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.zipالاستخدام#
من أجل تدريب نموذج YOLO26n-obb على مجموعة بيانات DOTA8 لمدة 100 حقبة باستخدام حجم صورة يبلغ 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية.
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}
}نشكر الفريق الذي أعد مجموعات بيانات DOTA. للاطلاع على التفاصيل الكاملة لمجموعة البيانات، تفضل بزيارة موقع DOTA الرسمي.
الأسئلة الشائعة#
مجموعة بيانات DOTA8 هي مجموعة صغيرة لـاكتشاف الكائنات الموجّهة، وتتألف من أول 8 صور من مجموعة DOTAv1 المقسمة، مع تخصيص 4 صور للتدريب و4 للتحقق. وهي مثالية لاختبار نماذج اكتشاف الكائنات مثل Ultralytics YOLO26 وتصحيح أخطائها. وبفضل حجمها العملي وتنوعها، تساعد على تحديد أخطاء المسارات وإجراء الفحوص الأولية قبل التدريب على مجموعات بيانات أكبر.
لتدريب نموذج YOLO26n-obb على مجموعة بيانات DOTA8 لمدة 100 حقبة وبحجم صورة 640، يمكنك استخدام مقتطفات الشيفرة التالية. للاطلاع على خيارات الوسائط الشاملة، راجع صفحة تدريب النموذج.
مثال على التدريبfrom 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)تشتهر مجموعة بيانات DOTA بمعيارها واسع النطاق والتحديات التي تطرحها لاكتشاف الكائنات في الصور الجوية. أما المجموعة الفرعية DOTA8 فهي أصغر وأسهل في التعامل، ومثالية للاختبارات الأولية. ويُصان ملف الإعداد
dota8.yaml، الذي يتضمن المسارات والفئات وتفاصيل الإعداد، في مستودع Ultralytics على GitHub.يجمع التركيب الفسيفسائي صورًا متعددة في صورة واحدة أثناء التدريب، ما يزيد تنوع الكائنات والسياقات في كل دفعة. ويحسن ذلك قدرة النموذج على التعميم على أحجام الكائنات ونسب أبعادها ومشاهدها المختلفة.
يدعم Ultralytics YOLO26 اكتشاف الكائنات في الوقت الفعلي، بما في ذلك مربعات الإحاطة الموجّهة (OBB)، إلى جانب مهام أخرى مثل تقسيم المثيلات، كل ذلك عبر مسار تدريب واحد. وتجعل النماذج المدربة مسبقًا الضبط الدقيق فعالًا.
التعليقات2
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
expen6ve
How do you create a dataset for OBB? can i use the visdrone dataset to train an obb model?
Glenn JocherUltralytics@expen6ve yes, you can use VisDrone with YOLO OBB by converting your annotations to YOLO OBB format (four corner points with normalized coordinates). Create a dataset YAML file following our DOTA8 example structure, and ensure annotations match the required
class_index x1 y1 x2 y2 x3 y3 x4 y4format. For conversion tools and format details, see our OBB Dataset Guide.



