DOTA128 데이터셋#
소개#
Ultralytics DOTA128은 학습 및 검증 분할 데이터셋 역할을 모두 수행하는 DOTAv1 세트의 이미지 128장으로 구성된 작지만 다기능인 방향성 object detection 데이터셋입니다. 이 데이터셋은 방향성 바운딩 박스(OBB) 모델을 테스트 및 디버깅하거나 새로운 탐지 접근 방식을 실험하는 데 이상적입니다. 128장의 이미지로 구성되어 쉽게 관리할 수 있을 만큼 작으면서도, 더 큰 데이터셋을 학습하기 전에 학습 파이프라인의 오류를 테스트하고 무결성 검사(sanity check) 역할을 하기에 충분히 다양합니다.
데이터셋 구조#
- 이미지: DOTAv1에서 가져온 항공 이미지 타일 128개입니다(모두 train 폴더에 있으며 train과 val에 모두 사용됩니다).
- 클래스: plane, ship, large vehicle 등 DOTAv1의 15개 카테고리를 상속합니다.
- 레이블: 방향성 바운딩 박스가 YOLO 형식으로 저장되며 각 이미지 옆의
.txt파일에 기록됩니다. - 다운로드: 34MB이며, 처음 학습을 실행할 때 Ultralytics GitHub assets에서 자동으로 가져옵니다.
이 데이터셋은 Ultralytics Platform 및 YOLO26과 함께 사용하도록 설계되었습니다.
데이터셋 YAML#
YAML 파일은 데이터셋 구성을 정의하는 데 사용됩니다. 여기에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함됩니다. DOTA128 데이터셋의 경우 dota128.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml에 유지 관리됩니다.
# 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.zip사용법#
DOTA128 데이터셋에서 이미지 크기 640으로 100개의 에포크 동안 YOLO26n-obb 모델을 학습하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하십시오.
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="dota128.yaml", epochs=100, imgsz=640)샘플 이미지 및 주석#
다음은 DOTA128 데이터셋의 일부 이미지와 해당 어노테이션 예시입니다.
- 모자이크 처리된 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이크 처리는 학습 중 여러 이미지를 하나의 이미지로 결합하여 각 학습 배치에 포함되는 객체와 장면의 다양성을 높이는 기법입니다. 이를 통해 다양한 객체 크기, 종횡비 및 컨텍스트에 대한 모델의 일반화 성능을 향상할 수 있습니다.
이 예시는 DOTA128 데이터셋 이미지의 다양성과 복잡성, 그리고 학습 과정에서 모자이킹을 사용하는 이점을 보여줍니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 DOTA 데이터셋을 사용하는 경우 다음 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#
DOTA128 데이터셋은 DOTAv1 세트의 이미지 128장으로 구성된 다목적 방향성 객체 탐지 데이터셋이며, 모든 이미지가 train 폴더에 저장됩니다. 학습과 검증 모두 동일한 이미지 세트를 사용하므로 빠른 테스트 및 디버깅 워크플로에 이상적입니다. Ultralytics YOLO26과 같은 OBB 모델을 테스트하고 디버깅하는 데 적합합니다. 관리하기 쉬운 크기와 다양성을 갖추고 있어 더 큰 데이터셋을 배포하기 전에 파이프라인 오류를 식별하고 정상 작동 여부를 점검하는 데 도움이 됩니다. Ultralytics YOLO26을 사용한 OBB 탐지에 대해 자세히 알아보십시오.
DOTA128 데이터셋에서 이미지 크기 640으로 100개의 에포크 동안 YOLO26n-obb 모델을 학습하려면 다음 코드 조각을 사용할 수 있습니다. 인수 옵션의 전체 내용은 모델 학습 페이지를 참조하십시오.
학습 예제from 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="dota128.yaml", epochs=100, imgsz=640)DOTA 데이터셋은 대규모 벤치마크와 항공 이미지 객체 탐지에서 제시하는 난제로 잘 알려져 있습니다. DOTA128 서브셋은 DOTA8보다 더 다양하면서도 초기 테스트에 적합한 관리 가능한 규모를 유지합니다. 경로, 클래스 및 구성 세부 정보를 포함하는
dota128.yaml파일은 이 GitHub 링크에서 확인할 수 있습니다.DOTA128(이미지 128장)은 크기 측면에서 DOTA8(이미지 8장)과 전체 DOTA-v1 데이터셋(레이블이 지정된 학습 및 검증 이미지 1,869장) 사이에 위치합니다.
- DOTA8: 이미지 8장(학습 4장, 검증 4장)만 포함하며 빠른 테스트와 디버깅에 적합합니다.
- DOTA128: 이미지 128장(모두 train 폴더에 있으며 train과 val에 모두 사용됨)을 포함하여 규모와 다양성 사이의 균형을 제공합니다.
- 전체 DOTA-v1: 레이블이 지정된 학습 및 검증 이미지 1,869장을 포함하며, 포괄적이지만 리소스 집약적입니다.
DOTA128은 DOTA8보다 더 큰 다양성을 제공하면서도 실험과 초기 모델 개발에 전체 DOTA 데이터셋보다 훨씬 관리하기 쉬운 적절한 중간 규모를 제공합니다.
모자이킹은 학습 중 여러 이미지를 하나로 결합하여 각 배치에 포함되는 객체와 컨텍스트의 다양성을 높입니다. 이를 통해 모델이 다양한 객체 크기, 종횡비 및 장면에 일반화하는 능력이 향상됩니다. 모자이킹된 DOTA128 데이터셋 이미지로 구성된 학습 배치를 통해 이 기법을 시각적으로 확인할 수 있으며, 견고한 모델 개발에도 도움이 됩니다. 모자이킹과 학습 기법에 대한 자세한 내용은 학습 페이지에서 확인하십시오.
Ultralytics YOLO26은 방향성 바운딩 박스(OBB), 인스턴스 세그멘테이션, 매우 다목적인 학습 파이프라인 등의 기능을 포함한 최첨단 실시간 객체 탐지 기능을 제공합니다. 다양한 애플리케이션에 적합하며 효율적인 파인튜닝을 위한 사전 학습된 모델을 제공합니다. Ultralytics YOLO26 문서에서 장점과 사용법을 자세히 알아보세요.