Jeu de données DOTA128#
Introduction#
Le jeu de données DOTA128 d'Ultralytics est un jeu de données de détection d'objets orientée, petit mais polyvalent, composé de 128 images de DOTAv1 utilisées à la fois pour l'entraînement et la validation. Ce jeu de données est idéal pour tester et déboguer des modèles de boîtes englobantes orientées (OBB) ou expérimenter de nouvelles approches de détection. Avec 128 images, il est suffisamment petit pour être facile à gérer, mais assez diversifié pour tester les pipelines d'entraînement et y détecter des erreurs, ainsi que pour effectuer une vérification de cohérence avant d'entraîner des modèles sur de plus grands jeux de données.
Structure du jeu de données#
- Images : 128 tuiles aériennes provenant de DOTAv1 (toutes dans le dossier train, utilisé à la fois pour train et val).
- Classes : hérite des 15 catégories de DOTAv1, comme avion, navire et grand véhicule.
- Annotations : boîtes englobantes orientées au format YOLO, enregistrées dans des fichiers
.txtà côté de chaque image. - Téléchargement : 34 Mo, récupéré automatiquement depuis les ressources GitHub d'Ultralytics lors du premier entraînement.
Ce jeu de données est destiné à être utilisé avec Ultralytics Platform et YOLO26.
Fichier YAML du jeu de données#
Un fichier YAML sert à définir la configuration du jeu de données. Il contient des informations sur les chemins d'accès au jeu de données, les classes et d'autres éléments pertinents. Pour le jeu de données DOTA128, le fichier dota128.yaml est maintenu à l'adresse 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 le jeu de données DOTA128 pendant 100 époques, avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour consulter la liste complète des arguments disponibles, reporte-toi à la page Entraînement du modèle.
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n-obb.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle
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 en mosaïque : cette image montre 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. Elle aide le modèle à mieux généraliser à différentes tailles d’objets, proportions et contextes.
L'exemple illustre la variété et la complexité des images du jeu de données DOTA128, ainsi que les avantages de la mosaïque pendant l'entraînement.
Citations et remerciements#
Si tu utilises le jeu de données DOTA dans tes travaux de recherche ou de développement, cite 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}
}Nous adressons nos remerciements particuliers à l'équipe à l'origine des jeux de données DOTA pour son travail remarquable de constitution de ce jeu de données. Pour comprendre en détail le jeu de données et ses particularités, consulte le site officiel de DOTA.
FAQ#
Le jeu de données DOTA128 est un jeu polyvalent pour la détection d'objets orientés, composé de 128 images de DOTAv1, toutes stockées dans le dossier train. L'entraînement et la validation utilisent le même ensemble d'images, ce qui le rend idéal pour tester et déboguer rapidement des modèles OBB comme Ultralytics YOLO26. Sa taille raisonnable et sa diversité permettent de repérer les erreurs dans le pipeline et d'effectuer des vérifications de cohérence avant l'entraînement sur de plus grands jeux de données. En savoir plus sur la détection OBB avec Ultralytics YOLO26.
Pour entraîner un modèle YOLO26n-obb sur le jeu de données DOTA128 pendant 100 époques, avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour consulter les options d'arguments détaillées, reporte-toi à la page Entraînement du modèle.
Exemple d’entraînementfrom ultralytics import YOLO # Charger un modèle model = YOLO("yolo26n-obb.pt") # charger un modèle préentraîné (recommandé pour l’entraînement) # Entraîner le modèle results = model.train(data="dota128.yaml", epochs=100, imgsz=640)Le jeu de données DOTA est connu pour son benchmark à grande échelle et les défis qu'il pose à la détection d'objets dans les images aériennes. Le sous-ensemble DOTA128 offre davantage de diversité que DOTA8, tout en restant facile à gérer pour les premiers tests. Tu peux accéder au fichier
dota128.yaml, qui contient les chemins d'accès, les classes et les détails de configuration, via ce lien GitHub.Avec ses 128 images, DOTA128 se situe entre DOTA8 (8 images) et le jeu de données DOTA-v1 complet (1 869 images annotées pour l'entraînement et la validation) en termes de taille :
- DOTA8 : contient seulement 8 images (4 train, 4 val) — idéal pour les tests rapides et le débogage.
- DOTA128 : contient 128 images (toutes dans le dossier train, utilisé à la fois pour train et val) — un bon équilibre entre taille et diversité.
- DOTA-v1 complet : contient 1 869 images annotées pour l'entraînement et la validation — complet, mais gourmand en ressources.
DOTA128 offre un bon compromis : plus de diversité que DOTA8, tout en étant beaucoup plus facile à gérer 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, ce qui augmente la variété des objets et des contextes dans chaque lot. Elle améliore la capacité d'un modèle à généraliser à différentes tailles d'objets, proportions et scènes. Cette technique peut être illustrée visuellement par un lot d'entraînement composé d'images du jeu de données DOTA128 assemblées en mosaïque, ce qui favorise le développement de modèles robustes. Pour en savoir plus sur la mosaïque et les techniques d'entraînement, consulte notre page Entraînement.
Ultralytics YOLO26 offre des capacités de détection d'objets en temps réel à la pointe de la technologie, notamment des boîtes englobantes 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 faciliter le réglage fin. Découvre ses avantages et son utilisation dans la documentation Ultralytics YOLO26.