Link to this sectionJeu de données DOTA8#
Link to this sectionIntroduction#
DOTA8 d'Ultralytics est un petit jeu de données polyvalent pour la détection d'objets orientés, composé des 8 premières images du jeu de données fractionné DOTAv1, dont 4 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 pour expérimenter de nouvelles approches de détection. Avec 8 images, il est suffisamment petit pour être facilement gérable, tout en étant assez diversifié pour tester les pipelines d'entraînement afin d'y détecter des erreurs et servir de vérification de base avant l'entraînement sur des jeux de données plus volumineux.
Link to this sectionStructure du jeu de données#
-
Images : 8 tuiles aériennes (4 train, 4 val) provenant de DOTAv1.
-
Classes : Hérite des 15 catégories DOTAv1 telles que plane, ship et large vehicle.
-
Étiquettes : Boîtes englobantes orientées au format YOLO enregistrées sous forme de fichiers
.txtà côté de chaque image. -
Mise en page recommandée :
datasets/dota8/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/
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 du jeu de données, les classes et d'autres informations pertinentes. Dans le cas du 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 🚀 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.zipLink to this sectionUtilisation#
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 une liste complète des arguments disponibles, consulte la page Entraînement 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="dota8.yaml", epochs=100, imgsz=640)Link to this sectionExemples d'images et annotations#
Voici quelques exemples d'images du jeu de données DOTA8, accompagnées de leurs annotations correspondantes :
- Image mosaïquée : Cette image montre un lot d'entraînement composé d'images du jeu de données mosaïquées. La mosaïque 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 généraliser à différentes tailles d'objets, ratios d'aspect et contextes.
L'exemple met en évidence la variété et la complexité des images dans le jeu de données DOTA8 ainsi que les avantages de l'utilisation du mosaïquage lors du 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}
}Une note de gratitude spéciale à 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.
Link to this sectionFAQ#
Link to this sectionQu'est-ce que le jeu de données DOTA8 et comment peut-il être utilisé ?#
Le jeu de données DOTA8 est un petit jeu de données polyvalent pour la détection d'objets orientés, composé des 8 premières images du jeu de données fractionné DOTAv1, avec 4 images désignées pour l'entraînement et 4 pour la validation. Il est idéal pour tester et déboguer des modèles de détection d'objets 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 base avant de déployer des jeux de données plus importants. Apprends-en plus sur la détection d'objets avec Ultralytics YOLO26.
Link to this sectionComment entraîner un modèle YOLO26 en utilisant le jeu de données DOTA8 ?#
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 des options d'arguments complètes, consulte la page Entraînement 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="dota8.yaml", epochs=100, imgsz=640)Link to this sectionQuelles sont les fonctionnalités 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 DOTA8 est un jeu de données plus petit et gérable, idéal pour les tests initiaux. Tu peux accéder au fichier dota8.yaml, qui contient les chemins, les classes et les détails de configuration, via ce lien GitHub.
Link to this sectionComment le mosaïquage améliore-t-il l'entraînement des modèles avec le jeu de données DOTA8 ?#
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, rapports d'aspect et scènes. Cette technique peut être démontrée visuellement à travers un lot d'entraînement composé d'images du jeu de données DOTA8 mosaïquées, aidant au développement d'un modèle robuste. Explore davantage le mosaïquage et les techniques d'entraînement sur notre page Entraînement.
Link to this sectionPourquoi devrais-je utiliser Ultralytics YOLO26 pour des tâches de détection d'objets ?#
Ultralytics YOLO26 offre des capacités de détection d'objets en temps réel à la pointe de la technologie, incluant des fonctionnalités comme 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.