Jeu de données DOTA128#

Le jeu de données DOTA128 est un jeu de données polyvalent de détection d’objets orientés, composé de 128 images issues de DOTAv1, toutes stockées dans le dossier train. L’entraînement et la validation utilisent le même ensemble d’images, ce qui en fait un choix idéal pour tester et déboguer rapidement des modèles OBB comme Ultralytics YOLO26. Grâce à sa taille raisonnable et à sa diversité, il aide à repérer les erreurs de pipeline et à vérifier que tout fonctionne avant l’entraînement sur des jeux de données plus volumineux. 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 toutes les options d’arguments, 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)

Le jeu de données DOTA est connu pour son benchmark à grande échelle et les défis qu’il pose pour la détection d’objets dans les images aériennes. Le sous-ensemble DOTA128 offre plus 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 complet DOTA-v1 (1 869 images annotées pour l’entraînement et la validation) en termes de taille :

• DOTA8 : ne contient que 8 images (4 pour train, 4 pour val) — idéal pour des 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 — exhaustif, mais gourmand en ressources

DOTA128 offre un bon compromis : il est plus diversifié 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.

L’augmentation par mosaïque combine plusieurs images en une seule pendant l’entraînement, ce qui accroît 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 à l’aide d’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 l’augmentation par 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 diverses applications et propose des modèles préentraînés pour faciliter le fine-tuning. Découvre ses avantages et son utilisation dans la documentation d’Ultralytics YOLO26.