DOTA128データセット#
はじめに#
Ultralytics DOTA128は、DOTAv1セットからの128枚の画像で構成される、小規模ながら汎用性の高い方向付き物体検出データセットです。これらの画像は、トレーニングと検証の両方に使用されます。このデータセットは、方向付きバウンディングボックス（OBB）モデルのテストやデバッグ、新しい検出手法の実験に最適です。128枚と小規模なため扱いやすく、十分な多様性があるため、トレーニングパイプラインのエラー検出や、大規模なデータセットでトレーニングする前の動作確認に役立ちます。
データセットの構成#
- 画像: DOTAv1から取得した航空画像タイル128枚（すべてtrainフォルダーに格納され、trainとvalの両方に使用されます）。
- クラス: 飛行機、船、大型車両など、DOTAv1の15カテゴリを継承しています。
- ラベル: YOLO形式の方向付きバウンディングボックスは、各画像と同じ場所にある
.txtファイルに保存されます。 - ダウンロード: 34 MBです。初回のトレーニング時に、Ultralytics GitHubのアセットから自動的に取得されます。
このデータセットは、Ultralytics PlatformおよびYOLO26での使用を目的としています。
データセット YAML#
データセットの設定を定義するには、YAMLファイルを使用します。このファイルには、データセットのパス、クラス、その他の関連情報が含まれます。DOTA128データセットの場合、dota128.yamlファイルはhttps://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yamlで管理されています。
# 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.zip使用方法#
DOTA128データセットでYOLO26n-obbモデルを、画像サイズ640で100エポックトレーニングするには、次のコードスニペットを使用できます。使用可能な引数の一覧については、モデルのトレーニングページを参照してください。
from ultralytics import YOLO
# モデルを読み込む
model = YOLO("yolo26n-obb.pt") # 事前トレーニング済みモデルを読み込み（トレーニングに推奨）
# モデルをトレーニング
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)サンプル画像とアノテーション#
DOTA128データセットの画像と、それぞれに対応するアノテーションの例をいくつか紹介します。
- モザイク画像: この画像は、データセットの複数の画像をモザイク状に組み合わせた学習バッチを示しています。モザイク処理は学習時に使用される手法で、複数の画像を1枚にまとめることで、各学習バッチ内の物体やシーンの多様性を高めます。これにより、さまざまな物体サイズ、アスペクト比、コンテキストへのモデルの汎化能力が向上します。
この例は、DOTA128データセットの画像の多様性と複雑さ、およびトレーニングプロセスでモザイクを使用する利点を示しています。
引用と謝辞#
研究または開発でDOTAデータセットを使用する場合は、次の論文を引用してください。
@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}
}DOTAデータセットの整備に尽力されたチームに、心より感謝申し上げます。データセットの詳細と特性については、DOTA公式ウェブサイトをご覧ください。
よくある質問#
DOTA128データセットは、DOTAv1セットからの128枚の画像で構成される、汎用性の高い方向付き物体検出データセットです。すべての画像がtrainフォルダーに保存されています。トレーニングと検証の両方で同じ画像セットを使用するため、Ultralytics YOLO26などのOBBモデルをすばやくテスト、デバッグするのに最適です。扱いやすいサイズで多様性もあるため、大規模なデータセットでトレーニングする前に、パイプラインのエラー特定や動作確認に役立ちます。Ultralytics YOLO26でのOBB検出について、詳しくはこちらをご覧ください。
DOTA128データセットでYOLO26n-obbモデルを、画像サイズ640で100エポックトレーニングするには、次のコードスニペットを使用できます。引数の詳細については、モデルのトレーニングページを参照してください。
トレーニング例from ultralytics import YOLO # モデルを読み込む model = YOLO("yolo26n-obb.pt") # 事前トレーニング済みモデルを読み込み（トレーニングに推奨） # モデルをトレーニング results = model.train(data="dota128.yaml", epochs=100, imgsz=640)DOTAデータセットは、大規模なベンチマークであり、航空画像の物体検出における課題を含むことで知られています。DOTA128サブセットは、初期テストに扱いやすい規模を保ちながら、DOTA8よりも多様性があります。パス、クラス、設定の詳細を含む
dota128.yamlファイルには、こちらのGitHubリンクからアクセスできます。サイズの面では、DOTA128（128枚）は、DOTA8（8枚）と全体のDOTA-v1データセット（ラベル付きのtrain画像とval画像が1,869枚）の中間に位置します。
- DOTA8: 画像はわずか8枚（train 4枚、val 4枚）で、手早いテストやデバッグに最適です。
- DOTA128: 画像は128枚（すべてtrainフォルダーに格納され、trainとvalの両方に使用されます）で、規模と多様性のバランスが取れています。
- Full DOTA-v1: ラベル付きのtrain画像とval画像が1,869枚あり、網羅的ですが、リソースを多く必要とします。
DOTA128は、DOTA8よりも多様性があり、実験やモデルの初期開発では全体のDOTAデータセットよりもはるかに扱いやすいため、適度な規模のデータセットとして適しています。
モザイク処理では、トレーニング中に複数の画像を1枚にまとめ、各バッチに含まれるオブジェクトやコンテキストの多様性を高めます。これにより、さまざまなオブジェクトサイズ、アスペクト比、シーンへのモデルの汎化能力が向上します。モザイク処理したDOTA128データセットの画像で構成されたトレーニングバッチを通じて、この手法を視覚的に確認でき、堅牢なモデル開発に役立ちます。モザイク処理やトレーニング手法について詳しくは、トレーニングページをご覧ください。
Ultralytics YOLO26は、方向付きバウンディングボックス（OBB）、インスタンスセグメンテーション、汎用性の高いトレーニングパイプラインなどの機能を備え、最先端のリアルタイム物体検出機能を提供します。幅広い用途に適しており、効率的なファインチューニングに使える事前トレーニング済みモデルも用意されています。利点や使用方法について詳しくは、Ultralytics YOLO26のドキュメントをご覧ください。