DOTA128 Veri Kümesi

128

DOTA128

ultralytics

PublicOBB

Compact sample of aerial and satellite image tiles for testing oriented detection, created by Ultralytics from Wuhan University's DOTA v1.0. Large enough for quick training and augmentation checks beyond DOTA8, yet too small for benchmarking; use full DOTA v1.0 or v1.5 for real results. Source: Xia, Bai, Ding, et al., "DOTA: A Large-Scale Dataset for Object Detection in Aerial Images," CVPR 2018; captain-whu.github.io/DOTA.

15 classes26.7 MBOct 23, 2026

planeshipstorage tankbaseball diamond+11

aerialobbremote-sensing+2

Giriş#

Ultralytics DOTA128, DOTAv1 kümesinden alınmış 128 görüntüden oluşan ve hem eğitim hem de doğrulama bölümlerinde kullanılan küçük bir döndürülmüş nesne algılama veri kümesidir. Bu veri kümesi, döndürülmüş sınırlayıcı kutu (OBB) modellerini test etmek ve hatalarını ayıklamak ya da yeni algılama yaklaşımlarını denemek için idealdir. 128 görüntüyle kolayca yönetilebilecek kadar küçük, ancak eğitim işlem hatlarındaki hataları bulmak ve daha büyük veri kümeleriyle eğitime başlamadan önce temel doğrulama yapmak için yeterince çeşitlidir.

Veri Kümesi Yapısı#

• Görüntüler: DOTAv1'den alınmış 128 hava görüntüsü döşemesi (tümü train klasöründe; hem train hem de val için kullanılır).
• Sınıflar: Uçak, gemi ve büyük araç gibi 15 DOTAv1 kategorisini devralır.
• Etiketler: Her görüntünün yanında .txt dosyalarında kaydedilmiş YOLO biçimli yönlendirilmiş sınırlayıcı kutular.
• İndirme: 34 MB; ilk eğitiminde Ultralytics GitHub varlıklarından otomatik olarak indirilir.

Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanılmak üzere tasarlanmıştır.

Veri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. DOTA128 veri kümesinde dota128.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml adresinde tutulur.

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

# DOTA128 dataset (128 images from the DOTAv1 split) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota128
# Example usage: yolo train model=yolo26n-obb.pt data=dota128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dota128 ← downloads here (34 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: dota128 # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/train # val images (relative to 'path') 128 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/dota128.zip

Kullanım#

DOTA128 veri kümesinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-obb.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda DOTA128 veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar yer alıyor:

• Mozaik Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu gösterir. Mozaikleme, her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için eğitim sırasında birden fazla görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yeteneğini geliştirir.

Örnek, DOTA128 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sırasında mozaikleme kullanmanın faydalarını gösteriyor.

Atıflar ve Teşekkürler#

Araştırma veya geliştirme çalışmalarında DOTA veri kümesini kullanırsan lütfen aşağıdaki makaleye atıfta bulun:

@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 veri kümelerini derleyen ekibe teşekkür ederiz. Veri kümesiyle ilgili tüm ayrıntılar için resmî DOTA web sitesini ziyaret et.

Sık Sorulan Sorular#