Link to this sectionJeu de données DOTA128#
Link to this sectionIntroduction#
Le Ultralytics DOTA128 est un petit jeu de données polyvalent pour la détection d'objets orientés, composé de 128 images issues du jeu DOTAv1, dont 128 pour l'entraînement et la validation. Ce jeu de données est idéal pour tester et déboguer des modèles à 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 base avant d'entraîner des jeux de données plus importants.
Link to this sectionStructure du jeu de données#
- Images : 128 tuiles aériennes (toutes dans le dossier train, utilisées à la fois pour le train et la val) provenant de DOTAv1.
- Classes : Hérite des 15 catégories de DOTAv1 telles que avion, navire et véhicule de grande taille.
- Étiquettes : Boîtes englobantes orientées au format YOLO enregistrées sous forme de fichiers
.txtà côté de chaque image.
Ce jeu de données est destiné à être utilisé avec Ultralytics Platform et YOLO26.
Link to this sectionYAML du jeu de données#
Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins, les classes et d'autres données pertinentes du jeu de données. Dans le cas du 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.zipLink to this sectionUtilisation#
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 une liste complète des arguments disponibles, consulte la page de Formation 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)Link to this sectionExemples d'images et d'annotations#
Voici quelques exemples d'images du jeu de données DOTA128, accompagnées de leurs annotations correspondantes :
- Image en mosaïque : Cette image démontre un lot d'entraînement composé d'images du jeu de données en mosaïque. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule image 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 met en évidence 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.
Link to this sectionCitations 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={2021},
volume={},
number={},
pages={1-1},
doi={10.1109/TPAMI.2021.3117983}
}Un remerciement spécial à l'équipe derrière les jeux de données DOTA pour leur effort louable dans la curation de ce jeu de données. Pour une compréhension exhaustive du jeu de données et de ses nuances, visite le site officiel de DOTA.
Link to this sectionFAQ#
Link to this sectionQu'est-ce que le jeu de données DOTA128 et comment peut-il être utilisé ?#
Le jeu de données DOTA128 est un jeu de données polyvalent pour la 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 des flux de travail de test et de débogage rapides. Il est parfait pour tester et déboguer des modèles OBB comme Ultralytics YOLO26. Grâce à sa taille gérable et à sa diversité, il aide à identifier les erreurs de pipeline et à effectuer des vérifications de base avant de déployer des jeux de données plus volumineux. Apprends-en plus sur la détection OBB avec Ultralytics YOLO26.
Link to this sectionComment puis-je entraîner un modèle YOLO26 en utilisant le jeu de données DOTA128 ?#
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 des options d'arguments complètes, consulte la page de Formation 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)Link to this sectionQuelles sont les caractéristiques clés du jeu de données DOTA et où puis-je accéder au fichier YAML ?#
Le jeu de données DOTA est reconnu pour son benchmark 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 des tests initiaux. Tu peux accéder au fichier dota128.yaml, qui contient les chemins, les classes et les détails de configuration, via ce lien GitHub.
Link to this sectionComment DOTA128 se compare-t-il aux autres variantes du jeu de données DOTA ?#
DOTA128 (128 images) se situe entre DOTA8 (8 images) et le jeu 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 et débogages rapides
- DOTA128 : Contient 128 images (toutes dans le dossier train, utilisées à la fois pour le train et la val) - équilibré entre taille et diversité
- DOTA-v1 complet : Contient 1 869 images - complet mais intensif en ressources
DOTA128 offre un bon compromis, offrant 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.
Link to this sectionComment le mosaïquage améliore-t-il l'entraînement du modèle avec le jeu de données DOTA128 ?#
Le mosaïquage 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, proportions et scènes. Cette technique peut être démontrée visuellement par un lot d'entraînement composé d'images mosaïquées du jeu de données DOTA128, facilitant ainsi le développement de modèles robustes. Explore davantage le mosaïquage et les techniques d'entraînement sur notre page Formation.
Link to this sectionPourquoi devrais-tu utiliser Ultralytics YOLO26 pour des tâches de détection d'objets orientés ?#
Ultralytics YOLO26 offre des capacités de détection d'objets en temps réel à la pointe de la technologie, incluant des fonctionnalités telles que les boîtes englobantes orientées (OBB), la segmentation d'instances et un pipeline d'entraînement hautement polyvalent. Il est adapté 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.