OBB가 포함된 DOTA 데이터셋#

2,806

DOTA v1.5

ultralytics

publicOBB

DOTA v1.5 extends Wuhan University's oriented aerial benchmark with denser annotations for small objects and a container-crane category. Its 16 classes span aircraft, vehicles, vessels, sports facilities, and infrastructure in high-resolution overhead scenes.

16 classes2.7 GBSep 2, 2026

planeshipstorage tankbaseball diamond+12

aerialobbremote-sensing+1

DOTA 데이터셋은 항공 이미지의 객체 검출을 위한 대규모 벤치마크로, 세 가지 버전(v1.0, v1.5, v2.0)으로 출시되었으며 18개 카테고리에 걸쳐 최대 170만 개의 방향성 바운딩 박스(OBB) 주석을 제공합니다. 다양한 항공 센서와 플랫폼에서 촬영된 이미지로 구성됩니다.

Ultralytics Platform에서 공식 호스팅되는 DOTA v1.5 및 DOTA v1.0 데이터셋을 살펴보고, 방향성 주석을 미리 확인하고 통계를 검사하며 학습을 위해 클론할 수 있습니다.

주요 기능#

• 다양한 센서와 플랫폼에서 수집되었으며, 이미지 크기는 800 × 800픽셀부터 20,000 × 20,000픽셀까지 다양합니다.
• 18개 카테고리에 걸쳐 170만 개가 넘는 방향성 바운딩 박스를 제공합니다.
• 이미지마다 객체 크기 분포가 매우 다양하므로 멀티스케일 객체 검출을 지원합니다.
• 인스턴스는 전문가가 임의의 8자유도(8 d.o.f.) 사변형을 사용하여 주석을 지정하므로, 다양한 크기와 방향, 형태의 객체를 포착합니다.

데이터셋 버전#

DOTA-v1.0#

• 15개의 일반적인 카테고리를 포함합니다.
• 2,806개의 이미지와 188,282개의 인스턴스로 구성됩니다.
• 분할 비율은 학습 1/2(1,411개 이미지), 검증 1/6(458개 이미지), 테스트 1/3(937개 이미지)입니다.

DOTA-v1.5#

• DOTA-v1.0과 동일한 이미지를 포함합니다.
• 매우 작은 인스턴스(10픽셀 미만)에도 주석이 지정됩니다.
• 새로운 카테고리인 "container crane"이 추가되었습니다.
• 총 403,318개의 인스턴스를 포함합니다.
• 항공 이미지 객체 검출 DOAI Challenge 2019를 위해 출시되었습니다.

DOTA-v2.0#

• Google Earth, GF-2 Satellite 및 기타 항공 이미지에서 수집되었습니다.
• 18개의 일반적인 카테고리를 포함합니다.
• 11,268개의 이미지와 무려 1,793,658개의 인스턴스로 구성됩니다.
• 새로운 카테고리인 "airport"와 "helipad"가 추가되었습니다.
• 이미지 분할:
  • 학습: 1,830개 이미지, 268,627개 인스턴스
  • 검증: 593개 이미지, 81,048개 인스턴스
  • Test-dev: 2,792개 이미지, 353,346개 인스턴스
  • Test-challenge: 6,053개 이미지, 1,090,637개 인스턴스

데이터셋 구조#

DOTA는 OBB 객체 검출 과제에 맞게 설계된 구조화된 레이아웃을 제공합니다:

• 이미지: 다양한 지형과 구조물을 포착한 고해상도 항공 이미지로 구성된 방대한 컬렉션입니다.
• 방향성 바운딩 박스: 방향과 관계없이 객체를 둘러싸는 회전된 사각형 형태의 주석으로, 비행기, 선박, 건물과 같은 객체를 포착하는 데 적합합니다.

응용 분야#

DOTA는 항공 이미지 분석에 특화된 모델을 학습하고 평가하기 위한 벤치마크입니다. OBB 주석을 포함하여 항공 이미지의 특성에 맞는 전문 객체 검출 모델을 개발할 수 있는 고유한 과제를 제공합니다. 이 데이터셋은 원격 탐사, 감시, 환경 모니터링 애플리케이션에 특히 유용합니다.

데이터셋 YAML#

데이터셋 YAML 파일은 이미지 및 레이블 루트, 클래스 이름과 기타 중요한 메타데이터를 지정합니다. Ultralytics는 가장 일반적으로 사용되는 두 릴리스에 대한 공식 YAML 파일을 제공합니다:

• DOTAv1.yaml
• DOTAv1.5.yaml

다운로드한 릴리스에 맞는 YAML을 사용하거나 DOTA-v2 또는 다른 파생 데이터셋을 사용하는 경우 사용자 지정 YAML을 작성합니다. 두 릴리스 모두 처음 학습을 시작할 때 Ultralytics GitHub assets에서 자동으로 다운로드됩니다(2 GB).

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# DOTA 1.0 dataset https://captain-whu.github.io/DOTA/index.html for object detection in aerial images by Wuhan University
# Documentation: https://docs.ultralytics.com/datasets/obb/dota-v2
# Example usage: yolo train model=yolov8n-obb.pt data=DOTAv1.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── DOTAv1 ← downloads here (2 GB)

# 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: DOTAv1 # dataset root dir
train: images/train # train images (relative to 'path') 1411 images
val: images/val # val images (relative to 'path') 458 images
test: images/test # test images (optional) 937 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/DOTAv1.zip

DOTA 이미지 분할#

원시 이미지는 한 변의 크기가 일반적으로 10,000픽셀을 초과하므로, 데이터를 YOLO에 입력하기 전에 타일링이 필요합니다. 아래 헬퍼를 사용하여 원본 이미지를 여러 스케일의 겹치는 1024 × 1024 크롭으로 분할하고 주석의 일관성을 유지합니다.

from ultralytics.data.split_dota import split_test, split_trainval

# Split train and val set, with labels.
split_trainval(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)
# Split test set, without labels.
split_test(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)

사용법#

DOTA v1 데이터셋으로 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 항상 모델 문서를 참조합니다. 먼저 더 작은 서브셋으로 실험하려는 경우, 빠른 테스트를 위해 이미지 8개만 포함하며 Ultralytics Platform에서 탐색할 수 있는 DOTA8 데이터셋을 사용해 보세요.

from ultralytics import YOLO

# Load a pretrained YOLO26n-OBB model
model = YOLO("yolo26n-obb.pt")

# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)

샘플 데이터 및 어노테이션#

데이터셋을 간략히 살펴보면 그 깊이를 확인할 수 있습니다:

• DOTA 예시: 이 스냅샷은 항공 장면의 복잡성과 방향성 바운딩 박스 주석의 중요성을 보여 주며, 객체를 자연스러운 방향으로 포착합니다.

이 데이터셋의 풍부한 구성은 항공 이미지에 특화된 객체 검출 과제에 대한 귀중한 통찰을 제공합니다. DOTA-v2.0 데이터셋은 포괄적인 주석과 다양한 객체 카테고리 덕분에 원격 탐사 및 항공 감시 프로젝트에서 특히 인기를 얻었습니다.

인용 및 감사의 글#

연구에 DOTA를 사용하는 경우 관련 연구 논문을 인용해 주세요:

@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}
}

이 데이터셋을 선별하고 구축하는 데 훌륭한 노력을 기울인 DOTA 데이터셋 팀에 특별한 감사의 말씀을 전합니다. 데이터셋과 그 세부 특성을 완전히 이해하려면 공식 DOTA 웹사이트를 방문해 주세요.

FAQ#