DOTA128-Datensatz#
Einführung#
Ultralytics DOTA128 ist ein kleiner, aber vielseitiger Datensatz zur orientierten Objekterkennung. Er besteht aus 128 Bildern aus dem DOTAv1-Datensatz, die sowohl zum Trainieren als auch zur Validierung verwendet werden. Dieser Datensatz eignet sich ideal, um Modelle für orientierte Begrenzungsrahmen (OBB) zu testen und Fehler zu beheben oder neue Erkennungsansätze auszuprobieren. Mit 128 Bildern ist er klein genug, um sich leicht verwalten zu lassen, und zugleich vielfältig genug, um Trainingspipelines auf Fehler zu prüfen und vor dem Training mit größeren Datensätzen einen Plausibilitätstest durchzuführen.
Struktur des Datensatzes#
- Bilder: 128 Luftbildkacheln (alle im Ordner train, der sowohl für das Training als auch für die Validierung verwendet wird) aus DOTAv1.
- Klassen: Übernimmt die 15 Kategorien aus DOTAv1, darunter Flugzeuge, Schiffe und große Fahrzeuge.
- Labels: Begrenzungsrahmen im YOLO-Format mit Orientierung, gespeichert als
.txt-Dateien neben den jeweiligen Bildern. - Download: 34 MB, werden beim ersten Training automatisch aus den GitHub-Assets von Ultralytics heruntergeladen.
Dieser Datensatz ist für die Verwendung mit der Ultralytics Platform und YOLO26 vorgesehen.
YAML-Datei des Datensatzes#
Eine YAML-Datei dient zur Definition der Datensatzkonfiguration. Sie enthält Informationen zu den Pfaden, Klassen und weiteren relevanten Angaben 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 Codebeispiele verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Training des Modells.
from ultralytics import YOLO
# Ein Modell laden
model = YOLO("yolo26n-obb.pt") # ein vortrainiertes Modell laden (für das Training empfohlen)
# Das Modell trainieren
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)Beispielbilder und Anmerkungen#
Hier sind einige Beispielbilder aus dem DOTA128-Datensatz mit den zugehörigen Annotationen:
- Mosaikbild: Dieses Bild zeigt einen Trainingsbatch aus mosaikartig zusammengesetzten Datensatzbildern. Mosaikbildung ist eine Technik, die während des Trainings mehrere Bilder zu einem einzigen Bild zusammenfügt, um die Vielfalt der Objekte und Szenen in jedem Trainingsbatch zu erhöhen. Dadurch kann das Modell besser auf unterschiedliche Objektgrößen, Seitenverhältnisse und Kontexte generalisieren.
Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im DOTA128-Datensatz sowie die Vorteile des Mosaikverfahrens während des Trainings.
Zitate und Danksagungen#
Wenn du den DOTA-Datensatz für deine Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Veröffentlichung:
@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}
}Ein besonderer Dank gilt dem Team hinter den DOTA-Datensätzen für den bemerkenswerten Aufwand bei der Zusammenstellung dieses Datensatzes. Eine ausführliche Beschreibung des Datensatzes und seiner Besonderheiten findest du auf der offiziellen DOTA-Website.
Häufig gestellte Fragen#
Der DOTA128-Datensatz ist ein vielseitiger Datensatz zur orientierten Objekterkennung mit 128 Bildern aus DOTAv1, die alle im Ordner train gespeichert sind. Für Training und Validierung wird derselbe Bildsatz verwendet. Dadurch eignet sich der Datensatz ideal, um OBB-Modelle wie Ultralytics YOLO26 schnell zu testen und Fehler zu beheben. Dank seiner überschaubaren Größe und Vielfalt hilft er dabei, Fehler in der Pipeline zu finden und Plausibilitätstests durchzuführen, bevor du mit größeren Datensätzen trainierst. 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 Codebeispiele verwenden. Eine umfassende Übersicht der Argumentoptionen findest du auf der Seite Training des Modells.
Trainingsbeispielfrom ultralytics import YOLO # Ein Modell laden model = YOLO("yolo26n-obb.pt") # ein vortrainiertes Modell laden (für das Training empfohlen) # Das Modell trainieren 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 Luftbildern mit sich bringt. Die Teilmenge DOTA128 bietet mehr Vielfalt als DOTA8 und bleibt dennoch für erste Tests überschaubar. Die Datei
dota128.yamlmit Pfaden, Klassen und Konfigurationsdetails findest du unter diesem GitHub-Link.DOTA128 (128 Bilder) liegt in Bezug auf die Größe zwischen DOTA8 (8 Bilder) und dem vollständigen Datensatz DOTA-v1 (1,869 gelabelte Trainings- und Validierungsbildern):
- DOTA8: Enthält nur 8 Bilder (4 Training, 4 Validierung) – ideal für schnelle Tests und zum Beheben von Fehlern
- DOTA128: Enthält 128 Bilder (alle im Ordner train, der sowohl für Training als auch Validierung verwendet wird) – ausgewogen hinsichtlich Größe und Vielfalt
- Vollständiger DOTA-v1-Datensatz: Enthält 1,869 gelabelte Trainings- und Validierungsbilder – umfassend, aber ressourcenintensiv
DOTA128 bietet einen guten Mittelweg: Der Datensatz ist vielfältiger als DOTA8 und zugleich für Experimente und die erste Modellentwicklung deutlich überschaubarer als der vollständige DOTA-Datensatz.
Beim Mosaikverfahren werden während des Trainings mehrere Bilder zu einem kombiniert, wodurch die Vielfalt der Objekte und Kontexte in jedem Batch zunimmt. Das verbessert die Fähigkeit eines Modells, auf unterschiedliche Objektgrößen, Seitenverhältnisse und Szenen zu verallgemeinern. Die Technik lässt sich anhand eines Trainings-Batches aus mosaikierten Bildern des DOTA128-Datensatzes veranschaulichen und unterstützt so die Entwicklung robuster Modelle. Weitere Informationen zum Mosaikverfahren und zu Trainingstechniken findest du auf unserer Seite Training.
Ultralytics YOLO26 bietet modernste Echtzeitfunktionen zur Objekterkennung, darunter orientierte Begrenzungsrahmen (OBB), Instanzsegmentierung und eine vielseitige Trainingspipeline. Das Modell eignet sich für verschiedene Anwendungen und bietet vortrainierte Modelle für effizientes Fine-Tuning. Weitere Informationen zu den Vorteilen und zur Verwendung findest du in der Ultralytics-YOLO26-Dokumentation.