OBB'li DOTA Veri Kümesi#

2,806

DOTA v1.5

ultralytics

publicOBB

DOTA v1.5 extends Wuhan University's oriented aerial benchmark with denser annotations for small objects and a container-crane category. Its 16 classes span aircraft, vehicles, vessels, sports facilities, and infrastructure in high-resolution overhead scenes.

16 classes2.7 GBSep 2, 2026

planeshipstorage tankbaseball diamond+12

aerialobbremote-sensing+1

DOTA veri kümesi, hava görüntülerinde nesne tespiti için kullanılan, üç sürüm (v1.0, v1.5, v2.0) hâlinde yayımlanan ve çeşitli hava sensörleri ile platformlardan toplanan görüntülerde 18 kategori genelinde 1,7 milyona kadar yönelimli sınırlayıcı kutu (OBB) etiketi içeren geniş ölçekli bir kıyaslama veri kümesidir.

Resmî olarak barındırılan DOTA v1.5 ve DOTA v1.0 veri kümelerini Ultralytics Platform üzerinde keşfederek yönelimli etiketlerini önizleyebilir, istatistiklerini inceleyebilir ve eğitim için kopyalayabilirsin.

Temel Özellikler#

• Çeşitli sensörlerden ve platformlardan toplanmıştır; görüntü boyutları 800 × 800 ile 20.000 × 20.000 piksel arasında değişir.
• 18 kategori genelinde 1,7 milyondan fazla yönelimli sınırlayıcı kutu içerir.
• Her görüntüdeki nesne boyutlarının geniş aralıkta olması sayesinde çok ölçekli nesne tespitini kapsar.
• Örnekler, farklı ölçek, yönelim ve şekillerdeki nesneleri yakalayan, uzmanlar tarafından isteğe bağlı (8 serbestlik dereceli) dörtgenler kullanılarak etiketlenmiştir.

Veri Kümesi Sürümleri#

DOTA-v1.0#

• 15 yaygın kategori içerir.
• 188.282 örnek içeren 2.806 görüntüden oluşur.
• Bölme oranları: eğitim için 1/2 (1.411 görüntü), doğrulama için 1/6 (458 görüntü) ve test için 1/3 (937 görüntü).

DOTA-v1.5#

• DOTA-v1.0 ile aynı görüntüleri içerir.
• Çok küçük örnekler (10 pikselden az) de etiketlenmiştir.
• Yeni bir kategori eklenmiştir: "container crane".
• Toplam 403.318 örnek içerir.
• Hava Görüntülerinde Nesne Tespiti DOAI Challenge 2019 için yayımlanmıştır.

DOTA-v2.0#

• Google Earth, GF-2 Satellite ve diğer hava görüntülerinden toplanmıştır.
• 18 yaygın kategori içerir.
• 1.793.658 örnek içeren 11.268 görüntüden oluşur.
• Yeni kategoriler eklenmiştir: "airport" ve "helipad".
• Görüntü bölümleri:
  • Eğitim: 268.627 örnek içeren 1.830 görüntü.
  • Doğrulama: 81.048 örnek içeren 593 görüntü.
  • Test-geliştirme: 353.346 örnek içeren 2.792 görüntü.
  • Test-challenge: 1.090.637 örnek içeren 6.053 görüntü.

Veri Kümesi Yapısı#

DOTA, OBB nesne tespiti zorluklarına göre uyarlanmış yapılandırılmış bir düzene sahiptir:

• Görüntüler: Çeşitli arazileri ve yapıları yakalayan, yüksek çözünürlüklü hava görüntülerinden oluşan geniş bir koleksiyon.
• Yönelimli Sınırlayıcı Kutular: Yönelimlerinden bağımsız olarak nesneleri çevreleyen döndürülmüş dikdörtgenler biçimindeki etiketler; uçak, gemi ve bina gibi nesneleri yakalamak için idealdir.

Uygulamalar#

DOTA, özellikle hava görüntüsü analizi için uyarlanmış modellerin eğitilmesi ve değerlendirilmesi amacıyla bir kıyaslama veri kümesi olarak kullanılır. OBB etiketlerinin dâhil edilmesiyle, hava görüntülerinin kendine özgü özelliklerine uygun özel nesne tespiti modellerinin geliştirilmesini sağlayan benzersiz bir zorluk sunar. Veri kümesi; uzaktan algılama, gözetim ve çevresel izleme uygulamaları için özellikle değerlidir.

Veri Kümesi YAML'i#

Bir veri kümesi YAML dosyası, görüntü/etiket kök dizinlerini, sınıf adlarını ve diğer önemli meta verileri belirtir. Ultralytics, en yaygın kullanılan iki sürüm için resmî YAML dosyalarını sunar:

• DOTAv1.yaml
• DOTAv1.5.yaml

İndirdiğin sürümle eşleşen YAML dosyasını kullan veya DOTA-v2 ya da başka bir türevle çalışıyorsan özel bir YAML dosyası oluştur. Her iki sürüm de ilk eğitim sırasında Ultralytics GitHub varlıklarından otomatik olarak indirilir (2 GB).

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

# DOTA 1.0 dataset https://captain-whu.github.io/DOTA/index.html for object detection in aerial images by Wuhan University
# Documentation: https://docs.ultralytics.com/datasets/obb/dota-v2
# Example usage: yolo train model=yolov8n-obb.pt data=DOTAv1.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── DOTAv1 ← downloads here (2 GB)

# 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: DOTAv1 # dataset root dir
train: images/train # train images (relative to 'path') 1411 images
val: images/val # val images (relative to 'path') 458 images
test: images/test # test images (optional) 937 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/DOTAv1.zip

DOTA görüntülerini bölme#

Ham görüntülerin bir kenarı genellikle 10.000 pikseli aşar; bu nedenle verileri YOLO'ya aktarmadan önce döşeme gerekir. Kaynak görüntüleri, etiketleri senkronize tutarak birden fazla ölçekte örtüşen 1024 × 1024 kırpımlara bölmek için aşağıdaki yardımcıyı kullan.

from ultralytics.data.split_dota import split_test, split_trainval

# Split train and val set, with labels.
split_trainval(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)
# Split test set, without labels.
split_test(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)

Kullanım#

DOTA v1 veri kümesi üzerinde bir model eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için her zaman modelinin belgelerine başvur. Önce daha küçük bir alt kümeyle deneme yapmak istiyorsan, hızlı test için yalnızca 8 görüntü içeren ve Ultralytics Platform üzerinde taranabilen DOTA8 veri kümesini kullanmayı düşün.

from ultralytics import YOLO

# Load a pretrained YOLO26n-OBB model
model = YOLO("yolo26n-obb.pt")

# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)

Örnek Veriler ve Açıklamalar#

Veri kümesine kısaca göz atmak, kapsamını ortaya koyar:

• DOTA örnekleri: Bu görüntü, hava sahnelerinin karmaşıklığını ve nesneleri doğal yönelimlerinde yakalayan yönelimli Sınırlayıcı Kutu etiketlerinin önemini vurgular.

Veri kümesinin zenginliği, yalnızca hava görüntülerine özgü nesne tespiti zorlukları hakkında paha biçilmez içgörüler sunar. DOTA-v2.0 veri kümesi, kapsamlı etiketleri ve çeşitli nesne kategorileri sayesinde uzaktan algılama ve hava gözetimi projelerinde özellikle popüler hâle gelmiştir.

Atıflar ve Teşekkürler#

Çalışmanda DOTA'yı kullanıyorsan lütfen ilgili araştırma makalelerine atıf yap:

@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}
}

Bu veri kümesini özenle hazırlama konusundaki takdire değer çabaları için DOTA veri kümelerinin arkasındaki ekibe özel teşekkürlerimizi sunarız. Veri kümesini ve inceliklerini kapsamlı biçimde anlamak için lütfen resmî DOTA web sitesini ziyaret et.

SSS#