Jeu de données DOTA128#
Introduction#
Ultralytics DOTA128 est un petit ensemble de données polyvalent de détection d'objets orientés composé de 128 images de l'ensemble DOTAv1, 128 pour l'entraînement et la validation. Cet ensemble 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, il 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 bon sens avant d'entraîner des ensembles 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 DOTAv1 telles que plane, ship et large vehicle.
- Étiquettes : Boîtes englobantes orientées au format YOLO enregistrées sous forme de fichiers
.txtà côté de chaque image. - Téléchargement : 34 Mo, récupéré automatiquement depuis les ressources GitHub de Ultralytics la première fois que tu lances un entraînement.
Ce jeu de données est conçu pour être utilisé avec Ultralytics Platform et YOLO26.
YAML du jeu de données#
Un fichier YAML est utilisé pour définir la configuration de l'ensemble de données. Il contient des informations sur les chemins, les classes et d'autres informations pertinentes de l'ensemble de données. Dans le cas de l'ensemble de données DOTA128, le fichier dota128.yaml est maintenu sur https://github.com/ultralytics/ultralytics/blob/main/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.zipUtilisation#
Pour entraîner un modèle YOLO26n-obb sur l'ensemble de données DOTA128 pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consulte la page Entraînement du modèle.
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 annotations#
Voici quelques exemples d'images du jeu de données DOTA128, accompagnées de leurs annotations correspondantes :
- Image mosaïquée : Cette image montre un lot d'entraînement composé d'images du jeu de données mosaïquées. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule pour augmenter la variété des objets et des scènes au sein de chaque lot d'entraînement. Cela aide à améliorer la capacité du modèle à généraliser à différentes tailles d'objets, ratios d'aspect et contextes.
L'exemple présente la variété et la complexité des images du jeu de données DOTA128 ainsi que les avantages de l'utilisation du mosaïquage pendant le processus d'entraînement.
Citations et remerciements#
Si tu utilises le jeu de données DOTA dans tes travaux de recherche ou de développement, merci de citer l'article suivant :
@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}
}Un remerciement spécial à l'équipe derrière les ensembles de données DOTA pour ses efforts louables dans la curation de cet ensemble de données. Pour une compréhension exhaustive de l'ensemble de données et de ses nuances, visite le site web officiel de DOTA.
FAQ#
L'ensemble de données DOTA128 est un ensemble de données polyvalent de détection d'objets orientés composé de 128 images de l'ensemble DOTAv1, toutes stockées dans le dossier d'entraînement. L'entraînement et la validation utilisent tous deux le même ensemble d'images, ce qui le rend idéal pour des flux de travail de test et de débogage rapides. Il est idéal pour tester et déboguer des modèles OBB comme Ultralytics YOLO26. En raison de sa taille gérable et de sa diversité, il aide à identifier les erreurs de pipeline et à exécuter des vérifications de bon sens avant de déployer des ensembles de données plus volumineux. Apprends-en plus sur la détection OBB avec Ultralytics YOLO26.
L'ensemble de données DOTA est connu pour son banc d'essai à grande échelle et les défis qu'il présente pour la détection d'objets dans les images aériennes. Le sous-ensemble DOTA128 offre plus 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, sur ce lien GitHub.DOTA128 (128 images) se situe entre DOTA8 (8 images) et l'ensemble de données DOTA-v1 complet (1 869 images) en termes de taille :
- DOTA8 : Contient seulement 8 images (4 pour l'entraînement, 4 pour la validation) - idéal pour des tests rapides et le débogage
- DOTA128 : Contient 128 images (toutes dans le dossier train, utilisées pour l'entraînement et la validation) - équilibré entre taille et diversité
- DOTA-v1 complet : Contient 1 869 images - complet mais gourmand en ressources
DOTA128 offre un bon juste milieu, proposant plus de diversité que DOTA8 tout en restant beaucoup plus gérable que le jeu de données DOTA complet pour l'expérimentation et le développement initial de modèles.
La mosaïque combine plusieurs images en une seule pendant l'entraînement, augmentant la variété des objets et des contextes au sein de chaque lot. Cela améliore la capacité d'un modèle à généraliser à différentes tailles d'objets, rapports d'aspect et scènes. Cette technique peut être démontrée visuellement par le biais d'un lot d'entraînement composé d'images de l'ensemble de données DOTA128 mises en mosaïque, aidant au développement d'un modèle robuste. Explore plus en détail la mosaïque et les techniques d'entraînement sur notre page Entraînement.
Ultralytics YOLO26 offre des capacités de détection d'objets en temps réel de pointe, incluant des fonctionnalités telles que les boîtes englobantes orientées (OBB), la segmentation d'instances et un pipeline d'entraînement hautement polyvalent. Il convient à diverses applications et propose des modèles pré-entraînés pour un réglage fin efficace. Explore davantage les avantages et l'utilisation dans la documentation d'Ultralytics YOLO26.
Pour entraîner un modèle YOLO26n-obb sur l'ensemble de données DOTA128 pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour des options d'arguments complètes, consulte la page Entraînement du modèle.