DOTA128-Datensatz#
Einleitung#
Ultralytics DOTA128 ist ein kleiner, aber vielseitiger Objekterkennungsdatensatz mit orientierten Bounding Boxes, der aus 128 Bildern des DOTAv1-Datensatzes besteht und sowohl als Trainings- als auch als Validierungssplit dient. Dieser Datensatz ist ideal zum Testen und Debuggen von Modellen für orientierte Bounding Boxes (OBB) oder zum Experimentieren mit neuen Erkennungsansätzen. Mit 128 Bildern ist dieser Datensatz klein genug, um einfach handhabbar zu sein, und dennoch abwechslungsreich genug, um Trainingspipelines auf Fehler zu testen und als Plausibilitätsprüfung vor dem Training größerer Datensätze zu dienen.
Datensatzstruktur#
- Bilder: 128 Luftaufnahmen (alle im Ordner train, für Training und Validierung verwendet) aus DOTAv1.
- Klassen: Übernimmt die 15 Kategorien von DOTAv1, darunter Flugzeuge, Schiffe und große Fahrzeuge.
- Beschriftungen: Orientierte Begrenzungsboxen im YOLO-Format, die als
.txt-Dateien neben jedem Bild gespeichert werden. - Download: 34 MB, die beim ersten Training automatisch aus den Ultralytics-GitHub-Assets abgerufen werden.
Dieser Datensatz ist für die Verwendung mit der Ultralytics-Plattform und YOLO26 vorgesehen.
Dataset-YAML#
Eine YAML-Datei wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthält Informationen zu den Pfaden, Klassen und weiteren relevanten Eigenschaften des Datensatzes. Für den DOTA128-Datensatz wird die Datei dota128.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml gepflegt.
# 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.zipVerwendung#
Um ein YOLO26n-obb-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem DOTA128-Datensatz zu trainieren, kannst du die folgenden Codeausschnitte verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite zum Training des Modells.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-obb.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)Beispielbilder und Annotationen#
Hier sind einige Beispiele für Bilder aus dem DOTA128-Datensatz zusammen mit den zugehörigen Annotationen:
- Mosaikbild: Dieses Bild zeigt einen Trainings-Batch, der aus zu einem Mosaik zusammengesetzten Datensatzbildern besteht. Das Mosaikverfahren wird während des Trainings eingesetzt und kombiniert mehrere Bilder zu einem einzigen Bild, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches zu erhöhen. Dadurch kann das Modell besser auf unterschiedliche Objektgrößen, Seitenverhältnisse und Kontexte generalisieren.
Das Beispiel veranschaulicht die Vielfalt und Komplexität der Bilder im DOTA128-Datensatz sowie die Vorteile der Verwendung des Mosaikverfahrens während des Trainings.
Zitate und Danksagungen#
Wenn du den DOTA-Datensatz für deine Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Publikation:
@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}
}Unser besonderer Dank gilt dem Team hinter den DOTA-Datensätzen für seine bemerkenswerte Arbeit bei der Zusammenstellung dieses Datensatzes. Eine ausführliche Beschreibung des Datensatzes und seiner Besonderheiten findest du auf der offiziellen DOTA-Website.
FAQ#
Der DOTA128-Datensatz ist ein vielseitiger Datensatz zur Erkennung orientierter Objekte und besteht aus 128 Bildern des DOTAv1-Satzes, die alle im Ordner train gespeichert sind. Für Training und Validierung wird derselbe Bildsatz verwendet, wodurch er sich ideal für schnelle Tests und Debugging-Abläufe eignet. Er eignet sich ideal zum Testen und Debuggen von OBB-Modellen wie Ultralytics YOLO26. Aufgrund seiner überschaubaren Größe und Vielfalt hilft er dabei, Pipelinefehler zu erkennen und Plausibilitätsprüfungen durchzuführen, bevor größere Datensätze eingesetzt werden. Erfahre mehr über die OBB-Erkennung mit Ultralytics YOLO26.
Um ein YOLO26n-obb-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem DOTA128-Datensatz zu trainieren, kannst du die folgenden Codeausschnitte verwenden. Eine umfassende Übersicht der Argumentoptionen findest du auf der Seite zum Training des Modells.
Trainingsbeispielfrom ultralytics import YOLO # Load a model model = YOLO("yolo26n-obb.pt") # load a pretrained model (recommended for training) # Train the model results = model.train(data="dota128.yaml", epochs=100, imgsz=640)Der DOTA-Datensatz ist für seinen groß angelegten Benchmark und die Herausforderungen bekannt, die er für die Objekterkennung in Luftaufnahmen darstellt. Die Teilmenge DOTA128 bietet mehr Vielfalt als DOTA8 und bleibt zugleich für erste Tests überschaubar. Du findest die Datei
dota128.yamlmit Pfaden, Klassen und Konfigurationsdetails unter diesem GitHub-Link.DOTA128 (128 Bilder) liegt hinsichtlich der Größe zwischen DOTA8 (8 Bilder) und dem vollständigen DOTA-v1-Datensatz (1.869 beschriftete Trainings- und Validierungsbilder):
- DOTA8: Enthält nur 8 Bilder (4 für das Training, 4 für die Validierung) – ideal für schnelle Tests und Debugging
- DOTA128: Enthält 128 Bilder (alle im Ordner train, für Training und Validierung verwendet) – ausgewogenes Verhältnis zwischen Größe und Vielfalt
- Full DOTA-v1: Enthält 1.869 beschriftete Trainings- und Validierungsbilder – umfassend, aber ressourcenintensiv
DOTA128 bietet einen guten Mittelweg: mehr Vielfalt als DOTA8 und zugleich deutlich überschaubarer als der vollständige DOTA-Datensatz für Experimente und die anfängliche Modellentwicklung.
Beim Mosaikverfahren werden während des Trainings mehrere Bilder zu einem Bild kombiniert, wodurch die Vielfalt der Objekte und Kontexte innerhalb jedes Batches steigt. Dies verbessert die Fähigkeit eines Modells, auf unterschiedliche Objektgrößen, Seitenverhältnisse und Szenen zu generalisieren. Diese Technik lässt sich visuell anhand eines Trainings-Batches aus mosaikierten Bildern des DOTA128-Datensatzes veranschaulichen und unterstützt so die Entwicklung robuster Modelle. Erfahre mehr über das Mosaikverfahren und Trainingstechniken auf unserer Seite zum Training.
Ultralytics YOLO26 bietet hochmoderne Echtzeitfunktionen zur Objekterkennung, darunter orientierte Begrenzungsboxen (OBB), Instanzsegmentierung und eine äußerst vielseitige Trainingspipeline. Es eignet sich für verschiedene Anwendungen und bietet vortrainierte Modelle für eine effiziente Feinabstimmung. Erfahre mehr über die Vorteile und die Verwendung in der Dokumentation zu Ultralytics YOLO26.