Commencer

Jeu de données DOTA8

Introduction#

DOTA8 d’Ultralytics est un petit jeu de données de détection d’objets orientée composé des 8 premières images de l’ensemble DOTAv1, avec 4 images pour l’entraînement et 4 pour la validation. Ce jeu de données est idéal pour tester et déboguer des modèles de détection d’objets ou expérimenter de nouvelles approches de détection. Avec seulement 8 images, il est facile à gérer tout en étant assez diversifié pour détecter les erreurs des pipelines d’entraînement et effectuer une vérification de cohérence avant l’entraînement sur des jeux de données plus volumineux.

Structure du jeu de données#

  • Images : 8 tuiles aériennes (4 train, 4 val) provenant de DOTAv1.

  • Classes : hérite des 15 catégories de DOTAv1, comme avion, navire et grand véhicule.

  • Annotations : boîtes englobantes orientées au format YOLO, enregistrées dans des fichiers .txt à côté de chaque image.

  • Téléchargement : 1 Mo, récupéré automatiquement depuis les ressources GitHub d'Ultralytics lors du premier entraînement.

  • Structure recommandée :

    datasets/dota8/
    ├── images/
    │   ├── train/
    │   └── val/
    └── labels/
        ├── train/
        └── val/

Explore DOTA8 sur la plateforme Ultralytics pour parcourir les tuiles aériennes avec leurs superpositions de boîtes orientées, consulter la distribution des classes et les cartes thermiques des annotations dans l'onglet Graphiques, et cloner le jeu de données pour entraîner ton propre modèle dans le cloud.

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 DOTA8, le fichier dota8.yaml est maintenu à l'adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.

ultralytics/cfg/datasets/dota8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# DOTA8 dataset (8 images from the DOTAv1 split) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota8
# Example usage: yolo train model=yolov8n-obb.pt data=dota8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dota8 ← downloads here (1 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: dota8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/dota8.zip

Utilisation#

Pour entraîner un modèle YOLO26n-obb sur le jeu de données DOTA8 pendant 100 époques, avec une taille d’image de 640, tu peux utiliser les extraits de code suivants.

Exemple d’entraînement
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="dota8.yaml", epochs=100, imgsz=640)

Exemples d’images et annotations#

Voici quelques exemples d'images du jeu de données DOTA8, accompagnées de leurs annotations correspondantes :

DOTA8 oriented bounding box dataset training mosaic
  • 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 DOTA8, 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 :

Citation
@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 remercions l’équipe à l’origine des jeux de données DOTA pour leur préparation. Pour consulter tous les détails du jeu de données, rends-toi sur le site officiel de DOTA.

FAQ#

  • Le jeu de données DOTA8 est un petit jeu de données de détection d’objets orientés composé des 8 premières images de l’ensemble DOTAv1, dont 4 sont destinées à l’entraînement et 4 à la validation. Il est idéal pour tester et déboguer des modèles de détection d’objets comme Ultralytics YOLO26. Sa taille modeste et sa diversité permettent de détecter les erreurs des pipelines et d’effectuer des vérifications de cohérence avant l’entraînement sur des jeux de données plus volumineux.

  • Pour entraîner un modèle YOLO26n-obb sur le jeu de données DOTA8 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’entraînement
    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="dota8.yaml", epochs=100, imgsz=640)
  • Le jeu de données DOTA est connu pour son jeu de référence à grande échelle et les difficultés qu’il pose à la détection d’objets dans les images aériennes. Le sous-ensemble DOTA8 est plus petit et facile à gérer, ce qui le rend idéal pour les premiers tests. Le fichier de configuration dota8.yaml, qui contient les chemins, les classes et les détails de configuration, est maintenu dans le dépôt GitHub d’Ultralytics.

  • 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 du modèle à généraliser à différentes tailles d’objets, proportions et scènes.

  • Ultralytics YOLO26 prend en charge la détection d’objets en temps réel, notamment avec des boîtes englobantes orientées (OBB), ainsi que d’autres tâches comme la segmentation d’instances, le tout dans un seul pipeline d’entraînement. Ses modèles préentraînés facilitent l’ajustement fin.

Commentaires2

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

  1. expen6veGitHub

    How do you create a dataset for OBB? can i use the visdrone dataset to train an obb model?

    1. Glenn JocherUltralytics

      @expen6ve yes, you can use VisDrone with YOLO OBB by converting your annotations to YOLO OBB format (four corner points with normalized coordinates). Create a dataset YAML file following our DOTA8 example structure, and ensure annotations match the required class_index x1 y1 x2 y2 x3 y3 x4 y4 format. For conversion tools and format details, see our OBB Dataset Guide.