DOTA8 데이터셋

소개#

Ultralytics DOTA8은 DOTAv1 분할 세트에서 처음 8개 이미지를 가져온 소규모 방향성 객체 감지 데이터셋으로, 학습 이미지 4개와 검증 이미지 4개로 구성됩니다. 이 데이터셋은 객체 감지 모델을 테스트하고 디버깅하거나 새로운 감지 접근 방식을 실험하는 데 적합합니다. 이미지가 8개로 관리하기 쉬운 규모이면서도 다양성을 갖춰, 학습 파이프라인의 오류를 테스트하고 더 큰 데이터셋을 학습하기 전에 기본 동작을 점검할 수 있습니다.

데이터셋 구조#

  • 이미지: DOTAv1에서 가져온 항공 타일 8개(학습 4개, 검증 4개)입니다.

  • 클래스: 비행기, 선박, 대형 차량 등 DOTAv1의 15개 카테고리를 그대로 사용합니다.

  • 라벨: 각 이미지와 같은 위치에 .txt 파일로 저장된 YOLO 형식의 방향성 바운딩 박스입니다.

  • 다운로드: 1MB이며, 처음 학습을 시작할 때 Ultralytics GitHub 에셋에서 자동으로 가져옵니다.

  • 권장 디렉터리 구조:

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

Ultralytics Platform의 DOTA8을 살펴보고 방향성 박스 오버레이가 적용된 항공 타일을 확인하세요. Charts 탭에서 클래스 분포와 어노테이션 히트맵을 보고, 데이터셋을 복제해 클라우드에서 자체 모델을 학습할 수도 있습니다.

데이터셋 YAML#

데이터셋 구성을 정의하려면 YAML 파일을 사용합니다. 이 파일에는 데이터셋 경로와 클래스 및 기타 관련 정보가 포함됩니다. DOTA8 데이터셋의 경우 dota8.yaml 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml에서 관리합니다.

ultralytics/cfg/datasets/dota8.yaml
# 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

사용법#

이미지 크기를 640으로 설정하고 DOTA8 데이터셋에서 YOLO26n-obb 모델을 100 에폭 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다.

학습 예제
from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-obb.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).

# 모델 학습
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

샘플 이미지 및 어노테이션#

다음은 DOTA8 데이터셋의 이미지와 해당 어노테이션 예시입니다:

DOTA8 oriented bounding box dataset training mosaic
  • 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 DOTA8 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:

인용
@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 선별해 주신 팀에 감사드립니다. 데이터셋에 대한 자세한 내용은 공식 DOTA 웹사이트를 방문하세요.

자주 묻는 질문#

  • DOTA8은 DOTAv1 분할 세트에서 가져온 첫 8개 이미지로 구성된 소규모 방향성 객체 감지 데이터셋이며, 학습용 이미지 4개와 검증용 이미지 4개를 포함합니다. Ultralytics YOLO26과 같은 객체 감지 모델을 테스트하고 디버깅하는 데 적합합니다. 관리하기 쉬운 규모와 다양성을 갖춰 더 큰 데이터셋을 학습하기 전에 파이프라인 오류를 식별하고 기본 동작을 점검하는 데 도움이 됩니다.

  • DOTA8 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 예제
    from ultralytics import YOLO
    
    # 모델 로드
    model = YOLO("yolo26n-obb.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).
    
    # 모델 학습
    results = model.train(data="dota8.yaml", epochs=100, imgsz=640)
  • DOTA 데이터셋은 대규모 벤치마크로 잘 알려져 있으며 항공 이미지의 객체 감지에 여러 어려움을 제시합니다. DOTA8 하위 집합은 초기 테스트에 적합한, 더 작고 관리하기 쉬운 데이터셋입니다. 경로, 클래스, 구성 세부 정보를 포함하는 dota8.yaml 구성 파일은 Ultralytics GitHub 저장소에서 관리됩니다.

  • 모자이킹은 학습 중 여러 이미지를 하나로 결합해 각 배치에 포함되는 객체와 맥락의 다양성을 높입니다. 이를 통해 다양한 객체 크기, 종횡비, 장면에 대한 모델의 일반화 성능이 향상됩니다.

  • Ultralytics YOLO26은 인스턴스 분할과 같은 다른 작업과 더불어 방향성 바운딩 박스(OBB)를 포함한 실시간 객체 감지를 단일 학습 파이프라인으로 지원합니다. 사전 학습 모델을 사용하면 파인튜닝을 효율적으로 수행할 수 있습니다.

댓글2

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.

    1. Glenn JocherUltralytics

      @expen6ve yes, you can use VisDrone with YOLO OBB by converting your annotations to YOLO OBB format (four corner points with normalized coordinates). Create a dataset YAML file following our DOTA8 example structure, and ensure annotations match the required class_index x1 y1 x2 y2 x3 y3 x4 y4 format. For conversion tools and format details, see our OBB Dataset Guide.