DOTA128 데이터셋#
소개#
Ultralytics DOTA128은 DOTAv1 세트에서 가져온 128개 이미지로 구성된 다목적 소규모 방향성 객체 감지 데이터셋이며, 이 이미지들은 학습 및 검증 분할에 모두 사용됩니다. 이 데이터셋은 방향성 바운딩 박스(OBB) 모델을 테스트하고 디버깅하거나 새로운 감지 접근 방식을 실험하는 데 적합합니다. 이미지가 128개뿐이라 쉽게 관리할 수 있을 만큼 작으면서도 학습 파이프라인의 오류를 테스트하고, 더 큰 데이터셋으로 학습하기 전에 정상 작동 여부를 확인할 수 있을 만큼 다양합니다.
데이터셋 구조#
- 이미지: DOTAv1에서 가져온 항공 타일 128개(모두 train 폴더에 있으며, 학습과 검증에 모두 사용)입니다.
- 클래스: 비행기, 선박, 대형 차량 등 DOTAv1의 15개 카테고리를 그대로 사용합니다.
- 라벨: 각 이미지와 같은 위치에
.txt파일로 저장된 YOLO 형식의 방향성 바운딩 박스입니다. - 다운로드: 34MB이며, 처음 학습을 시작할 때 Ultralytics GitHub 에셋에서 자동으로 가져옵니다.
이 데이터셋은 Ultralytics Platform 및 YOLO26과 함께 사용하도록 설계되었습니다.
데이터셋 YAML#
데이터셋 구성을 정의하려면 YAML 파일을 사용합니다. 이 파일에는 데이터셋 경로와 클래스 및 기타 관련 정보가 포함됩니다. DOTA128 데이터셋의 경우 dota128.yaml 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml에서 관리합니다.
# 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 YOLO26n-obb 모델을 100 에포크 동안 학습하려면 다음 코드 예제를 사용할 수 있습니다. 사용 가능한 인수 전체 목록은 모델 학습 페이지를 참조하세요.
from ultralytics import YOLO
# 모델 로드
model = YOLO("yolo26n-obb.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장).
# 모델 학습
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)샘플 이미지 및 어노테이션#
다음은 DOTA128 데이터셋의 이미지와 해당 어노테이션 예시입니다:
- 모자이크 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이크 처리는 학습 중 여러 이미지를 하나의 이미지로 결합해 각 학습 배치에 포함되는 객체와 장면의 다양성을 높이는 기법입니다. 이 기법은 모델이 다양한 객체 크기, 종횡비 및 맥락에 일반화하는 능력을 향상하는 데 도움이 됩니다.
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}
}DOTA 데이터셋을 선별하고 구성하는 데 훌륭한 노력을 기울인 팀에 특별히 감사드립니다. 데이터셋과 그 세부 사항을 자세히 알아보려면 공식 DOTA 웹사이트를 방문하세요.
자주 묻는 질문#
DOTA128 데이터셋은 DOTAv1 세트의 128개 이미지로 구성된 다목적 방향성 객체 감지 데이터셋이며, 모든 이미지가 train 폴더에 저장되어 있습니다. 학습과 검증에 같은 이미지 세트를 사용하므로 Ultralytics YOLO26과 같은 OBB 모델을 빠르게 테스트하고 디버깅하는 데 적합합니다. 관리하기 쉬운 규모와 다양성 덕분에 더 큰 데이터셋으로 학습하기 전에 파이프라인 오류를 찾고 정상 작동 여부를 확인하는 데 도움이 됩니다. Ultralytics YOLO26을 사용한 OBB 감지에 대해 자세히 알아보세요.
DOTA128 데이터셋에서 이미지 크기 640으로 YOLO26n-obb 모델을 100 에포크 동안 학습하려면 다음 코드 예제를 사용할 수 있습니다. 인수 옵션 전체 목록은 모델 학습 페이지를 참조하세요.
학습 예제from ultralytics import YOLO # 모델 로드 model = YOLO("yolo26n-obb.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장). # 모델 학습 results = model.train(data="dota128.yaml", epochs=100, imgsz=640)DOTA 데이터셋은 대규모 벤치마크로 잘 알려져 있으며, 항공 이미지의 객체 감지에 여러 과제를 제시합니다. DOTA128 하위 집합은 DOTA8보다 다양성이 높으면서도 초기 테스트에 적합한 관리 가능한 규모를 유지합니다. 경로, 클래스 및 구성 세부 정보가 포함된
dota128.yaml파일은 이 GitHub 링크에서 확인할 수 있습니다.크기 면에서 DOTA128(이미지 128개)은 DOTA8(이미지 8개)과 전체 DOTA-v1 데이터셋(라벨이 지정된 학습 및 검증 이미지 1,869개)의 중간 규모에 해당합니다:
- DOTA8: 이미지 8개(학습 4개, 검증 4개)로 구성되어 빠른 테스트와 디버깅에 적합합니다.
- DOTA128: 이미지 128개(모두 train 폴더에 있으며, 학습과 검증에 모두 사용)로 구성되어 규모와 다양성의 균형을 이룹니다.
- 전체 DOTA-v1: 라벨이 지정된 학습 및 검증 이미지 1,869개로 구성되어 포괄적이지만 많은 리소스가 필요합니다.
DOTA128은 DOTA8보다 다양성이 높으면서도 전체 DOTA 데이터셋보다 훨씬 관리하기 쉬워 실험 및 초기 모델 개발에 적합한 중간 규모 데이터셋입니다.
모자이킹은 학습 중 여러 이미지를 하나로 결합해 각 배치에 포함되는 객체와 맥락의 다양성을 높입니다. 이를 통해 모델이 다양한 객체 크기와 종횡비, 장면에 일반화하는 능력이 향상됩니다. 모자이킹된 DOTA128 데이터셋 이미지로 구성된 학습 배치에서 이 기법을 시각적으로 확인할 수 있으며, 이는 견고한 모델 개발에 도움이 됩니다. 모자이킹 및 학습 기법에 대한 자세한 내용은 학습 페이지를 참조하세요.
Ultralytics YOLO26은 방향성 바운딩 박스(OBB), 인스턴스 분할, 높은 유연성을 갖춘 학습 파이프라인을 비롯한 최첨단 실시간 객체 감지 기능을 제공합니다. 다양한 애플리케이션에 적합하며 효율적인 파인튜닝을 위한 사전 학습 모델을 제공합니다. 장점과 사용법에 대한 자세한 내용은 Ultralytics YOLO26 문서를 참조하세요.