Jeu de données DOTA128
Introduction
Ultralytics DOTA128 est un petit jeu de données object detection orienté polyvalent composé de 128 images issues du jeu DOTAv1, 128 pour l'entraînement et la validation. Ce jeu de données est idéal pour tester et déboguer des modèles de boîte englobante orientée (OBB), ou pour expérimenter de nouvelles approches de détection. Avec 128 images, il est assez 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 sur des jeux de données plus larges.
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 avion, bateau et véhicule large.
- Labels: Boîtes englobantes orientées au format YOLO enregistrées en tant que
.txtfichiers à côté de chaque image.
Ce jeu de données est destiné à être utilisé avec Ultralytics Platform et en YOLO26.
YAML 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 du jeu de données, les classes et d'autres informations pertinentes. Dans le cas du jeu de données DOTA128, le dota128.yaml fichier est maintenu à 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.zipUsage
Pour entraîner un modèle YOLO26n-obb sur le jeu de données DOTA128 pendant 100 epochs avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consulte le modèle 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 jeu de données DOTA128, accompagnées de leurs annotations correspondantes :
- Image mosaïquée : Cette image montre un lot d'entraînement composé d'images mosaïquées du jeu de données. Le mosaïquage 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 se généraliser à différentes tailles d'objets, proportions et contextes.
L'exemple met en valeur la variété et la complexité des images du jeu de données DOTA128 ainsi que les avantages de l'utilisation du mosaicing durant 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={2021},
volume={},
number={},
pages={1-1},
doi={10.1109/TPAMI.2021.3117983}
}Une gratitude particulière envers l'équipe derrière les jeux de données DOTA pour leurs efforts louables dans la curation de ce jeu de données. Pour une compréhension exhaustive du jeu de données et de ses nuances, visite le site officiel DOTA.
FAQ
Qu'est-ce que le jeu de données DOTA128 et comment peut-il être utilisé ?
Le jeu de données DOTA128 est un jeu de données de détection d'objets orientés polyvalent 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 sa diversité, il aide à identifier les erreurs de pipeline et à effectuer des vérifications de cohérence avant de déployer des jeux de données plus importants. Apprends-en plus sur la détection OBB avec Ultralytics YOLO26.
Comment 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 pour 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour des options d'arguments complètes, réfère-toi au modèle 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)Quelles sont les caractéristiques clés du jeu de données DOTA et où puis-je accéder au fichier YAML ?
Le jeu de données DOTA est connu 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 les tests initiaux. Tu peux accéder au dota128.yaml fichier, qui contient les chemins, les classes et les détails de configuration, via ce lien GitHub.
Comment DOTA128 se compare-t-il aux autres variantes du jeu de données DOTA ?
DOTA128 (128 images) se situe entre le jeu de données DOTA8 (8 images) et le jeu de données complet DOTA-v1 (1 869 images) en termes de taille :
- DOTA8 : Contient seulement 8 images (4 train, 4 val) - idéal pour des tests rapides et le débogage
- DOTA128: Contient 128 images (toutes dans le dossier train, utilisées pour train et val) - équilibré entre taille et diversité
- Full DOTA-v1: 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.
Comment le mosaicing améliore-t-il l'entraînement des modèles avec le jeu de données DOTA128 ?
Le mosaicing combine plusieurs images en une seule pendant l'entraînement, augmentant la variété des objets et des contextes au sein de chaque batch. Cela améliore la capacité d'un modèle à généraliser à différentes tailles d'objets, ratios d'aspect et scènes. Cette technique peut être démontrée visuellement à travers un batch d'entraînement composé d'images du jeu de données DOTA128 traitées par mosaicing, aidant au développement de modèles robustes. Explore davantage le mosaicing et les techniques d'entraînement sur notre Entraînement.
Pourquoi devrais-je 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'instance, et un pipeline d'entraînement hautement polyvalent. Il est adapté à diverses applications et propose des modèles pré-entraînés pour un ajustement efficace. Explore davantage les avantages et l'utilisation dans la documentation Ultralytics YOLO26.