Link to this sectionDOTA8 데이터셋#

Link to this section소개#

Ultralytics DOTA8은 split DOTAv1 세트의 첫 8개 이미지(학습용 4개, 검증용 4개)로 구성된 작지만 다재다능한 oriented object detection 데이터셋입니다. 이 데이터셋은 object detection 모델을 테스트하고 디버깅하거나 새로운 탐지 방식을 실험하는 데 이상적입니다. 8개의 이미지만으로 구성되어 관리하기 쉽고, 동시에 더 큰 데이터셋을 학습하기 전에 학습 파이프라인의 오류를 테스트하고 정상 작동 여부를 확인하는 용도로 충분히 다양합니다.

Link to this section데이터셋 구조#

• 이미지: DOTAv1에서 가져온 8개의 항공 타일(학습용 4개, 검증용 4개).

• 클래스: plane(비행기), ship(선박), large vehicle(대형 차량) 등 15개의 DOTAv1 카테고리를 계승합니다.

• 라벨: 각 이미지 옆에 .txt 파일로 저장된 YOLO 형식의 oriented bounding box.

• 권장 레이아웃:

  datasets/dota8/
  ├── images/
  │   ├── train/
  │   └── val/
  └── labels/
      ├── train/
      └── val/

이 데이터셋은 Ultralytics Platform 및 YOLO26과 함께 사용하도록 의도되었습니다.

Link to this section데이터셋 YAML#

YAML(Yet Another Markup Language) 파일은 데이터셋 구성을 정의하는 데 사용됩니다. 이 파일에는 데이터셋 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. DOTA8 데이터셋의 경우 dota8.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml에 유지 관리되고 있습니다.

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

# DOTA8 dataset (8 images from the DOTAv1 split) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota8
# Example usage: yolo train model=yolov8n-obb.pt data=dota8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dota8 ← downloads here (1 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: dota8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/dota8.zip

Link to this section사용법#

DOTA8 데이터셋에서 YOLO26n-obb 모델을 640 이미지 크기로 100 epochs 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수에 대한 포괄적인 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="dota8.yaml", epochs=100, imgsz=640)

Link to this section샘플 이미지 및 주석#

다음은 DOTA8 데이터셋의 이미지 예시와 해당 어노테이션입니다:

• 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 DOTA8 데이터셋 이미지의 다양성과 복잡성, 그리고 학습 과정에서 mosaicing을 사용할 때의 이점을 보여줍니다.

Link to this section인용 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={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3117983}
}

이 데이터셋을 큐레이션하기 위해 훌륭한 노력을 기울인 DOTA 데이터셋 팀에게 특별한 감사를 표합니다. 데이터셋과 그 뉘앙스에 대한 철저한 이해를 원하시면 공식 DOTA 웹사이트를 방문해 주십시오.

Link to this sectionFAQ#

Link to this sectionDOTA8 데이터셋이란 무엇이며 어떻게 사용할 수 있습니까?#

DOTA8 데이터셋은 DOTAv1 split 세트의 첫 8개 이미지(학습용 4개, 검증용 4개)로 구성된 작고 다재다능한 oriented object detection 데이터셋입니다. Ultralytics YOLO26과 같은 object detection 모델을 테스트하고 디버깅하는 데 이상적입니다. 관리하기 쉬운 크기와 다양성 덕분에 더 큰 데이터셋을 배포하기 전에 파이프라인 오류를 식별하고 정상 작동 여부를 확인하는 데 도움이 됩니다. Ultralytics YOLO26을 사용한 object detection에 대해 더 알아보십시오.

Link to this sectionDOTA8 데이터셋을 사용하여 YOLO26 모델을 어떻게 학습합니까?#

DOTA8 데이터셋에서 YOLO26n-obb 모델을 640 이미지 크기로 100 epochs 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 포괄적인 인수 옵션은 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="dota8.yaml", epochs=100, imgsz=640)

Link to this sectionDOTA 데이터셋의 주요 특징은 무엇이며 YAML 파일은 어디에서 액세스할 수 있습니까?#

DOTA 데이터셋은 대규모 벤치마크와 항공 이미지 object detection에서 제시하는 과제로 잘 알려져 있습니다. DOTA8 서브셋은 초기 테스트에 이상적인 더 작고 관리하기 쉬운 데이터셋입니다. 경로, 클래스 및 구성 세부 정보가 포함된 dota8.yaml 파일은 이 GitHub 링크에서 액세스할 수 있습니다.

Link to this sectionMosaicing은 DOTA8 데이터셋을 사용한 모델 학습을 어떻게 향상시킵니까?#

Mosaicing은 학습 중에 여러 이미지를 하나로 결합하여 각 배치 내 객체와 컨텍스트의 다양성을 높입니다. 이는 다양한 객체 크기, 종횡비 및 장면에 대한 모델의 일반화 능력을 향상시킵니다. 이 기술은 mosaicing된 DOTA8 데이터셋 이미지로 구성된 학습 배치를 통해 시각적으로 입증될 수 있으며, 탄탄한 모델 개발에 도움이 됩니다. Training 페이지에서 mosaicing 및 학습 기술에 대해 더 살펴보십시오.

Link to this section왜 object detection 작업에 Ultralytics YOLO26을 사용해야 합니까?#

Ultralytics YOLO26은 oriented bounding boxes(OBB), instance segmentation 및 매우 다재다능한 학습 파이프라인과 같은 기능을 포함하여 최첨단 실시간 object detection 기능을 제공합니다. 다양한 애플리케이션에 적합하며 효율적인 파인튜닝을 위한 사전 학습된 모델을 제공합니다. Ultralytics YOLO26 documentation에서 장점과 사용법을 더 자세히 살펴보십시오.