DOTA128 데이터셋#
소개#
Ultralytics DOTA128은 DOTAv1 세트에서 추출한 128장의 이미지(학습 및 검증용 128장)로 구성된 작지만 다목적인 회전 object detection 데이터셋입니다. 이 데이터셋은 회전 바운딩 박스(OBB) 모델을 테스트 및 디버깅하거나 새로운 탐지 접근 방식을 실험하는 데 이상적입니다. 128장의 이미지로 구성되어 쉽게 관리할 수 있을 만큼 작으면서도, 학습 파이프라인의 오류를 테스트하고 더 큰 데이터셋을 학습하기 전 건전성 검사(sanity check) 역할을 하기에 충분히 다양합니다.
데이터셋 구조#
- 이미지: 128개의 항공 타일(모두 train 폴더에 포함되며 학습 및 검증용으로 사용됨), DOTAv1에서 추출.
- 클래스: plane(비행기), ship(선박), large vehicle(대형 차량) 등 15개의 DOTAv1 카테고리를 계승합니다.
- 레이블: 각 이미지 옆에
.txt파일로 저장된 YOLO 포맷의 회전 경계 박스(oriented bounding boxes)입니다. - 다운로드: 34 MB, 최초 학습 시 Ultralytics GitHub 에셋에서 자동으로 가져옵니다.
이 데이터셋은 Ultralytics Platform 및 YOLO26과 함께 사용하도록 설계되었습니다.
데이터셋 YAML#
데이터셋 구성은 YAML 파일을 사용하여 정의합니다. 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#
이미지 크기 640으로 100 epochs 동안 DOTA128 데이터셋에서 YOLO26n-obb 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 Training 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 데이터셋 이미지와 그에 해당하는 주석(annotation)의 예시입니다:
- 모자이크 처리된 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이킹은 학습 중에 여러 이미지를 하나의 이미지로 결합하여 각 학습 배치 내의 객체와 장면의 다양성을 높이는 데 사용되는 기술입니다. 이는 모델이 다양한 객체 크기, 종횡비 및 맥락에 일반화할 수 있는 능력을 향상시키는 데 도움이 됩니다.
이 예시는 DOTA128 데이터셋 이미지의 다양성과 복잡성, 그리고 학습 과정에서 모자이킹(mosaicing)을 사용할 때의 이점을 보여줍니다.
인용 및 감사의 글#
귀하의 연구나 개발 작업에 DOTA 데이터셋을 사용하는 경우, 다음 논문을 인용해 주십시오:
@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 큐레이트하는 데 칭찬할 만한 노력을 기울여 준 DOTA 데이터셋 팀에게 특별한 감사를 표합니다. 데이터셋과 그 세부 사항에 대한 철저한 이해를 위해 official DOTA website를 방문해 주세요.
FAQ#
DOTA128 데이터셋은 DOTAv1 세트의 128장 이미지로 구성된 다목적 회전 객체 탐지 데이터셋이며, 모두 train 폴더에 저장되어 있습니다. 학습과 검증 모두 동일한 이미지 세트를 사용하므로 빠른 테스트 및 디버깅 워크플로우에 이상적입니다. Ultralytics YOLO26과 같은 OBB 모델을 테스트하고 디버깅하는 데 적합합니다. 관리하기 쉬운 크기와 다양성 덕분에 더 큰 데이터셋을 배포하기 전에 파이프라인 오류를 식별하고 건전성 검사를 실행하는 데 도움이 됩니다. Ultralytics YOLO26을 통한 OBB 탐지에 대해 자세히 알아보세요.
이미지 크기 640으로 100 epochs 동안 DOTA128 데이터셋에서 YOLO26n-obb 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 포괄적인 인수 옵션은 모델 Training 페이지를 참조하십시오.
훈련 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 과제로 잘 알려져 있습니다. DOTA128 서브셋은 초기 테스트를 위해 관리하기 쉬운 상태를 유지하면서 DOTA8보다 더 많은 다양성을 제공합니다. 경로, 클래스 및 구성 세부 정보가 포함된
dota128.yaml파일은 다음 GitHub link에서 액세스할 수 있습니다.DOTA128(128장 이미지)은 크기 면에서 DOTA8(8장 이미지)과 전체 DOTA-v1 데이터셋(1,869장 이미지) 사이에 위치합니다:
- DOTA8: 8개의 이미지만 포함(4개 학습, 4개 검증) - 빠른 테스트 및 디버깅에 이상적
- DOTA128: 128개의 이미지 포함(모두 train 폴더에 포함되며 학습 및 검증용으로 사용됨) - 크기와 다양성 사이의 균형 유지
- 전체 DOTA-v1: 1,869개의 이미지 포함 - 포괄적이지만 리소스 집약적임
DOTA128은 실험 및 초기 모델 개발을 위해 전체 DOTA 데이터셋보다 훨씬 관리하기 쉬우면서도 DOTA8보다 더 많은 다양성을 제공하여 좋은 중간 지점 역할을 합니다.
모자이킹(Mosaicing)은 학습 중에 여러 이미지를 하나로 결합하여 각 배치 내 객체와 컨텍스트의 다양성을 높입니다. 이를 통해 다양한 객체 크기, 종횡비 및 씬에 대한 모델의 일반화 능력이 향상됩니다. 이 기법은 모자이킹된 DOTA128 데이터셋 이미지로 구성된 학습 배치를 통해 시각적으로 입증할 수 있으며, 견고한 모델 개발에 도움이 됩니다. Training 페이지에서 모자이킹 및 학습 기법에 대해 자세히 알아보세요.
Ultralytics YOLO26은 회전 경계 박스(OBB), 인스턴스 세분화(instance segmentation), 매우 다목적인 훈련 파이프라인과 같은 기능을 포함하여 최첨단 실시간 객체 감지 기능을 제공합니다. 다양한 애플리케이션에 적합하며 효율적인 파인튜닝을 위한 사전 학습된 모델을 제공합니다. Ultralytics YOLO26 문서에서 장점과 사용법에 대해 자세히 알아보세요.