DOTA128データセット#
はじめに#
Ultralytics DOTA128は、小規模ながら汎用性の高い回転物体検出データセットです。DOTAv1から取得した128枚の画像で構成され、トレーニングと検証の両方に同じ画像を使用します。このデータセットは、回転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。画像は128枚と少ないため扱いやすく、それでいて十分な多様性があり、大規模なデータセットでトレーニングする前に、トレーニングパイプラインのエラーをテストし、簡易的な健全性チェックを行えます。
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フォルダー内にあり、trainとvalの両方に使用）。
- クラス：飛行機、船、大型車両など、DOTAv1の15カテゴリを継承します。
- ラベル：YOLO形式の回転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。初回のトレーニング時にUltralytics GitHub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#
データセット設定の定義には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、100エポックで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。利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ます（トレーニングにはこちらを推奨します）
# モデルをトレーニングする
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以下に示します。
- モザイク画像: モザイク化したデータセット画像で構成されるトレーニングバッチを示しています。モザイク化はトレーニング中に使用される手法で、複数の画像を1枚にまとめ、各トレーニングバッチ内のオブジェクトやシーン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、コンテキストに対するモデルの汎化性能が向上します。
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}
}このデータセットを作成したDOTAデータセットチームの尽力に、心より感謝します。データセットとその特性について詳しく知るには、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から取得した128枚の画像で構成される汎用性の高い回転物体検出データセットで、すべてtrainフォルダーに保存されています。トレーニングと検証には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。扱いやすい規模と多様性を備えているため、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を特定し、簡易的な健全性チェックを行えます。Ultralytics YOLO26によるOBB検出について、詳しくご覧ください。
DOTA128データセットでYOLO26n-obbモデルを画像サイズ640、100エポックで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。利用可能な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ます（トレーニングにはこちらを推奨します） # モデルをトレーニングする 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伴う課題を提示することで知られています。DOTA128サブセットは、初期テストに適した扱いやすい規模を保ちながら、DOTA8より多様性があります。パス、クラス、設定の詳細を含む
dota128.yamlファイルには、このGitHubリンクからアクセスできます。DOTA128（128枚）は、規模の点でDOTA8（8枚）と完全版のDOTA-v1データセット（ラベル付きのtrainおよびval画像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、簡単なテストやデバッグに最適です。
- DOTA128：画像は128枚（すべてtrainフォルダー内にあり、trainとvalの両方に使用）で、規模と多様性のバランスが取れています。
- 完全版DOTA-v1：ラベル付きのtrainおよびval画像が1,869枚あり、包括的ですが、多くのリソースを必要とします。
DOTA128は、DOTA8より多様性がありながら、実験や初期モデル開発では完全版DOTAデータセットよりもはるかに扱いやすく、バランスの取れた選択肢です。
モザイクでは、トレーニング中に複数の画像を1枚に組み合わせ、各バッチ内の物体やコンテキストの多様性を高めます。これにより、さまざまな物体サイズ、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。この手法は、DOTA128データセットの画像をモザイク状に組み合わせたトレーニングバッチを通じて視覚的に確認でき、堅牢なモデル開発に役立ちます。モザイクやトレーニング手法の詳細は、トレーニングページをご覧ください。
Ultralytics YOLO26は、回転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、最先端のリアルタイム物体検出機能を提供します。さまざまな用途に適しており、効率的なファインチューニングに利用できる事前学習済みモデルも提供しています。利点と使い方の詳細については、Ultralytics YOLO26ドキュメントをご覧ください。