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
.txt파일로 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 🚀 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.zip사용법#
이미지 크기를 640으로 설정하고 DOTA8 데이터셋에서 YOLO26n-obb 모델을 100 에폭 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다.
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:
- 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:
@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 예제from 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.yaml구성 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.
expen6ve
How do you create a dataset for OBB? can i use the visdrone dataset to train an obb model?
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 y4format. For conversion tools and format details, see our OBB Dataset Guide.



