DOTA128-Datensatz#
Einführung#
Ultralytics DOTA128 ist ein kleiner, aber vielseitiger object detection-Datensatz mit aus dem DOTAv1-Set stammenden 128 Bildern für Training und Validierung. 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 er klein genug, um leicht handhabbar zu sein, und dennoch abwechslungsreich genug, um Trainings-Pipelines auf Fehler zu testen und als Plausibilitätsprüfung vor dem Training größerer Datensätze zu dienen.
Datensatzstruktur#
- Bilder: 128 Luftbild-Kacheln (alle im Train-Ordner, verwendet für Training und Validierung), bezogen aus DOTAv1.
- Klassen: Erbt die 15 DOTAv1-Kategorien wie Flugzeug, Schiff und großes Fahrzeug.
- Labels: YOLO-formatierte gedrehte Bounding Boxes, die als
.txt-Dateien neben jedem Bild gespeichert sind. - Download: 34 MB, wird beim ersten Training automatisch von den Ultralytics GitHub-Assets abgerufen.
Dieser Datensatz ist für die Verwendung mit Ultralytics Platform und YOLO26 vorgesehen.
Datensatz-YAML#
Eine YAML-Datei wird verwendet, um die Datensatzkonfiguration zu definieren. Sie enthält Informationen über die Pfade des Datensatzes, Klassen und andere relevante Informationen. Im Fall des DOTA128-Datensatzes wird die dota128.yaml-Datei 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 auf dem DOTA128-Datensatz für 100 epochs mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Training-Seite 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 entsprechenden Annotationen:
- Mosaik-Bild: Dieses Bild zeigt einen Trainings-Batch, der aus mosaikierten Datensatz-Bildern besteht. Mosaicing ist eine Technik, die während des Trainings verwendet wird, um mehrere Bilder zu einem einzigen Bild zu kombinieren, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches zu erhöhen. Dies trägt dazu bei, die Fähigkeit des Modells zu verbessern, auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte zu generalisieren.
Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im DOTA128-Datensatz sowie die Vorteile der Verwendung von Mosaicing während des Trainingsprozesses.
Zitate und Danksagungen#
Wenn du den DOTA-Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:
@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 geht an das Team hinter den DOTA-Datensätzen für ihre lobenswerte Arbeit bei der Kuratierung dieses Datensatzes. Für ein umfassendes Verständnis des Datensatzes und seiner Nuancen besuche bitte die official DOTA website.
FAQ#
Der DOTA128-Datensatz ist ein vielseitiger Datensatz zur Erkennung orientierter Objekte, der aus 128 Bildern aus dem DOTAv1-Set besteht, die alle im Ordner train gespeichert sind. Sowohl das Training als auch die Validierung verwenden denselben Satz von Bildern, wodurch er sich ideal für schnelle Test- und Debugging-Workflows eignet. Er ist ideal zum Testen und Debuggen von OBB-Modellen wie Ultralytics YOLO26. Aufgrund seiner überschaubaren Größe und Vielfalt hilft er dabei, Pipeline-Fehler zu erkennen und Plausibilitätsprüfungen durchzuführen, bevor größere Datensätze bereitgestellt werden. Erfahre mehr über die OBB-Erkennung mit Ultralytics YOLO26.
Um ein YOLO26n-obb-Modell auf dem DOTA128-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine umfassende Liste der Argumentoptionen findest du auf der Training-Seite 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 bekannt für sein groß angelegtes Benchmark und die Herausforderungen, die er für die Objekterkennung in Luftbildern mit sich bringt. Die Teilmenge DOTA128 bietet mehr Vielfalt als DOTA8 und bleibt gleichzeitig für erste Tests handhabbar. Du kannst auf die
dota128.yaml-Datei, die Pfade, Klassen und Konfigurationsdetails enthält, über diesen GitHub link zugreifen.DOTA128 (128 Bilder) liegt größenmäßig zwischen DOTA8 (8 Bilder) und dem vollständigen DOTA-v1-Datensatz (1.869 Bilder):
- DOTA8: Enthält nur 8 Bilder (4 Training, 4 Validierung) - ideal für schnelle Tests und Debugging
- DOTA128: Enthält 128 Bilder (alle im Train-Ordner, verwendet für Training und Validierung) - ausgewogen zwischen Größe und Diversität
- Vollständiges DOTA-v1: Enthält 1.869 Bilder - umfassend, aber ressourcenintensiv
DOTA128 bietet einen guten Mittelweg, da er mehr Diversität als DOTA8 bietet, während er für Experimente und die erste Modellentwicklung weitaus handhabbarer bleibt als der vollständige DOTA-Datensatz.
Mosaicing kombiniert während des Trainings mehrere Bilder zu einem, wodurch die Vielfalt an Objekten und Kontexten innerhalb jedes Batches erhöht wird. Dies verbessert die Fähigkeit eines Modells, auf verschiedene Objektgrößen, Seitenverhältnisse und Szenen zu verallgemeinern. Diese Technik lässt sich visuell anhand eines Trainings-Batches demonstrieren, das aus mosaikierten Bildern des DOTA128-Datensatzes besteht, und unterstützt eine robuste Modellentwicklung. Entdecke mehr über Mosaicing- und Trainingstechniken auf unserer Training-Seite.
Ultralytics YOLO26 bietet modernste Echtzeit-Objekterkennungsfunktionen, einschließlich Funktionen wie gedrehte Bounding Boxes (OBB), instance segmentation und eine äußerst vielseitige Trainings-Pipeline. Es eignet sich für verschiedene Anwendungen und bietet vortrainierte Modelle für eine effiziente Feinabstimmung. Entdecke mehr über die Vorteile und die Verwendung in der Ultralytics YOLO26 documentation.