DOTA8 Veri Kümesi#

8

dota8

ultralytics

publicOBB

DOTA8 is Ultralytics' minimal oriented-box smoke-test set: four training and four validation aerial images sampled from DOTA. It uses the canonical 15-class taxonomy and real rotated quadrilaterals for rapid validation of OBB loading, augmentation, training, and export.

515 classes1 MBSep 2, 2026

planeshipstorage tankbaseball diamond+11

Giriş#

Ultralytics DOTA8, DOTAv1 kümesinin bölünmüş kümesindeki ilk 8 görüntüden (4'ü eğitim, 4'ü doğrulama için) oluşan küçük ama çok yönlü bir yönlendirilmiş nesne algılama veri kümesidir. Bu veri kümesi, nesne algılama modellerini test etmek ve hata ayıklamak ya da yeni algılama yaklaşımlarını denemek için idealdir. 8 görüntüyle kolayca yönetilebilecek kadar küçük, eğitim hatlarını hatalara karşı test edip daha büyük veri kümelerinde eğitime başlamadan önce makul sonuç kontrolü yapmaya yetecek kadar çeşitlidir.

Veri Kümesi Yapısı#

• Görüntüler: DOTAv1'den alınmış 8 hava görüntüsü döşemesi (4 train, 4 val).

• Sınıflar: Uçak, gemi ve büyük araç gibi 15 DOTAv1 kategorisini devralır.

• Etiketler: Her görüntünün yanında .txt dosyalarında kaydedilmiş YOLO biçimli yönlendirilmiş sınırlayıcı kutular.

• İndirme: 1 MB; ilk eğitiminde Ultralytics GitHub varlıklarından otomatik olarak indirilir.

• Önerilen düzen:

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

Hava görüntüsü döşemelerini yönlendirilmiş kutu katmanlarıyla incelemek, Charts sekmesinde sınıf dağılımını ve açıklama ısı haritalarını görüntülemek ve bulutta kendi modelini eğitmek üzere klonlamak için Ultralytics Platform'daki DOTA8'i keşfet.

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. DOTA8 veri kümesinde dota8.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml adresinde tutulur.

# 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

Kullanım#

DOTA8 veri kümesinde YOLO26n-obb modelini 100 epoch boyunca 640 görüntü boyutuyla eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.

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="dota8.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda DOTA8 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, DOTA8 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}
}

Bu veri kümesini derlemek için gösterdikleri takdire değer çaba nedeniyle DOTA veri kümelerinin arkasındaki ekibe özel teşekkürlerimizi sunarız. Veri kümesini ve inceliklerini kapsamlı biçimde anlamak için resmî DOTA web sitesini ziyaret et.

Sık Sorulan Sorular#