YOLO Vision 2026 :
Research

Dataset DOTA128#

Introduction#

Ultralytics DOTA128 est un petit jeu de données de détection d'objets orientés et polyvalent, composé de 128 images issues du jeu DOTAv1 qui servent à la fois de sous-ensemble d'entraînement et de validation. Ce jeu de données est idéal pour tester et déboguer des modèles de boîtes englobantes orientées (OBB), ou pour expérimenter de nouvelles approches de détection. Avec 128 images, ce jeu de données est suffisamment petit pour être facilement gérable, tout en étant assez diversifié pour tester les pipelines d'entraînement à la recherche d'erreurs et servir de vérification de cohérence avant d'entraîner des jeux de données plus volumineux.

Structure du jeu de données#

  • Images : 128 tuiles aériennes (toutes dans le dossier train, utilisées à la fois pour train et val) provenant de DOTAv1.
  • Classes : hérite des 15 catégories de DOTAv1, notamment avion, navire et véhicule de grande taille.
  • Annotations : BBox orientées au format YOLO enregistrées dans des fichiers .txt à côté de chaque image.
  • Téléchargement : 34 Mo, récupérés automatiquement depuis les ressources GitHub d'Ultralytics la première fois que tu lances un entraînement.

Ce jeu de données est destiné à être utilisé avec Ultralytics Platform et YOLO26.

YAML du jeu de données#

Un fichier YAML sert à définir la configuration du dataset. Il contient des informations sur les chemins du dataset, les classes et d'autres informations pertinentes. Dans le cas du dataset DOTA128, le fichier dota128.yaml est maintenu à l'adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml.

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

Utilisation#

Pour entraîner un modèle YOLO26n-obb sur le dataset DOTA128 pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour obtenir la liste complète des arguments disponibles, consulte la page Entraînement du modèle.

Exemple d’entraînement
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="dota128.yaml", epochs=100, imgsz=640)

Exemples d’images et d’annotations#

Voici quelques exemples d'images du dataset DOTA128, accompagnés de leurs annotations correspondantes :

DOTA128 oriented bounding box dataset training mosaic
  • Image en mosaïque : cette image présente un lot d’entraînement composé d’images du jeu de données assemblées en mosaïque. La mosaïque est une technique utilisée pendant l’entraînement qui combine plusieurs images en une seule afin d’augmenter la variété des objets et des scènes dans chaque lot d’entraînement. Cela contribue à améliorer la capacité du modèle à se généraliser à différentes tailles d’objets, proportions et contextes.

L'exemple met en évidence la variété et la complexité des images du dataset DOTA128, ainsi que les avantages du mosaïquage pendant le processus d'entraînement.

Citations et remerciements#

Si tu utilises le dataset DOTA dans tes travaux de recherche ou de développement, merci de citer l’article suivant :

Citation
@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}
}

Nous adressons nos remerciements particuliers à l’équipe à l’origine des datasets DOTA pour les efforts remarquables consacrés à la constitution de ce dataset. Pour comprendre en détail le dataset et ses spécificités, consulte le site officiel de DOTA.

FAQ#

  • Le dataset DOTA128 est un dataset polyvalent de détection d'objets orientés composé de 128 images issues du jeu DOTAv1, toutes stockées dans le dossier train. L'entraînement et la validation utilisent le même ensemble d'images, ce qui le rend idéal pour les workflows de test et de débogage rapides. Il est idéal pour tester et déboguer des modèles OBB tels que Ultralytics YOLO26. Grâce à sa taille gérable et à sa diversité, il aide à identifier les erreurs de pipeline et à effectuer des contrôles de cohérence avant le déploiement sur des datasets plus volumineux. En savoir plus sur la détection OBB avec Ultralytics YOLO26.

  • Pour entraîner un modèle YOLO26n-obb sur le dataset DOTA128 pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour connaître les options complètes des arguments, consulte la page Entraînement du modèle.

    Exemple d’entraînement
    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="dota128.yaml", epochs=100, imgsz=640)

  • Le dataset DOTA est connu pour son benchmark à grande échelle et les difficultés qu'il présente pour la détection d'objets dans les images aériennes. Le sous-ensemble DOTA128 offre davantage de diversité que DOTA8 tout en restant gérable pour les tests initiaux. Tu peux accéder au fichier dota128.yaml, qui contient les chemins, les classes et les détails de configuration, via ce lien GitHub.

  • DOTA128 (128 images) se situe entre DOTA8 (8 images) et le jeu de données DOTA-v1 complet (1 869 images étiquetées d'entraînement et de validation) en termes de taille :

    • DOTA8 : Contient seulement 8 images (4 pour train, 4 pour val) — idéal pour les tests et le débogage rapides
    • DOTA128 : Contient 128 images (toutes dans le dossier train, utilisées à la fois pour train et val) — un équilibre entre taille et diversité
    • DOTA-v1 complet : Contient 1 869 images étiquetées d'entraînement et de validation - complet mais gourmand en ressources

    DOTA128 offre un bon compromis, avec davantage de diversité que DOTA8 tout en étant beaucoup plus gérable que le dataset DOTA complet pour l'expérimentation et le développement initial de modèles.

  • Le mosaïquage combine plusieurs images en une seule pendant l'entraînement, ce qui augmente la variété des objets et des contextes au sein de chaque batch. Cela améliore la capacité d'un modèle à se généraliser à différentes tailles d'objets, proportions et scènes. Cette technique peut être illustrée visuellement par un batch d'entraînement composé d'images mosaïquées du dataset DOTA128, ce qui contribue à un développement robuste des modèles. Découvre-en plus sur le mosaïquage et les techniques d'entraînement sur notre page Entraînement.

  • Ultralytics YOLO26 fournit des capacités de détection d’objets en temps réel de pointe, notamment des BBox orientées (OBB), la segmentation d’instances et un pipeline d’entraînement très polyvalent. Il convient à de nombreuses applications et propose des modèles préentraînés pour un ajustement efficace. Découvre plus en détail ses avantages et son utilisation dans la documentation d’Ultralytics YOLO26.

Contributeurs
GLglenn-jocher4RAraimbekovm3PDpderrenger1LALaughing-q1

Commentaires