Ultralytics YOLO27:
Get Started
Research

DOTA8 데이터셋#

소개#

Ultralytics DOTA8은 DOTAv1 세트의 첫 8개 이미지로 구성된 소규모의 다목적 방향성 객체 감지 데이터셋으로, 학습용 4개와 검증용 4개 이미지로 구성됩니다. 이 데이터셋은 객체 감지 모델을 테스트하고 디버깅하거나 새로운 감지 접근 방식을 실험하는 데 적합합니다. 이미지가 8개뿐이라 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 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#

DOTA8 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.

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 선별하고 구성하는 데 훌륭한 노력을 기울인 팀에 특별히 감사드립니다. 데이터셋과 그 세부 사항을 자세히 알아보려면 공식 DOTA 웹사이트를 방문하세요.

자주 묻는 질문#

  • DOTA8 데이터셋은 DOTAv1 분할 세트의 첫 8개 이미지로 구성된 다목적 소규모 방향성 객체 감지 데이터셋이며, 학습용 4개와 검증용 4개 이미지로 이루어져 있습니다. Ultralytics YOLO26과 같은 객체 감지 모델을 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 객체 감지에 대해 자세히 알아보세요.

  • 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 과제를 제시합니다. DOTA8 하위 집합은 초기 테스트에 적합한 소규모의 관리하기 쉬운 데이터셋입니다. 경로, 클래스 및 구성 세부 정보가 포함된 dota8.yaml 파일은 이 GitHub 링크에서 확인할 수 있습니다.

  • 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 DOTA8 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.

기여자
GLglenn-jocher14RAraimbekovm3PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1LALaughing-q1

댓글