Conjunto de datos DOTA128
Introducción
Python package DOTA128 es un conjunto de datos pequeño pero versátil deobject detection formado por 128 imágenes del conjunto DOTAv1, 128 para entrenamiento y validación. Este conjunto de datos es ideal para probar y depurar modelos de OBB, o para experimentar con nuevos enfoques de detección. Con 128 imágenes, es lo suficientemente pequeño como para ser fácil de manejar, pero lo bastante diverso como para probar los flujos de trabajo de entrenamiento en busca de errores y servir como comprobación de integridad antes de entrenar con conjuntos de datos más grandes.
Estructura del dataset
- Imágenes: 128 teselas aéreas (todas en la carpeta train, usadas tanto para train como para val) procedentes de DOTAv1.
- Clases: Hereda las 15 categorías de DOTAv1, tales como avión, barco y vehículo grande.
- Etiquetas: Cajas delimitadoras orientadas en formato YOLO guardadas como
.txtarchivos junto a cada imagen.
Este conjunto de datos está diseñado para utilizarse con Ultralytics Platform y YOLO26.
YAML del dataset
Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del conjunto de datos. Contiene información sobre las rutas del conjunto de datos, las clases y otra información relevante. En el caso del conjunto de datos DOTA128, el dota128.yaml archivo se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml.
# 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.zipUso
Para entrenar un modelo YOLO26n-obb en el conjunto de datos DOTA128 durante 100 epochs con un tamaño de imagen de 640, puedes usar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la sección del modelo Entrenamiento .
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)Imágenes de muestra y anotaciones
Aquí tienes algunos ejemplos de imágenes del conjunto de datos DOTA128, junto con sus anotaciones correspondientes:
- Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes de dataset en mosaico. El mosaico es una técnica utilizada durante el entrenamiento que combina múltiples imágenes en una sola para aumentar la variedad de objetos y escenas dentro de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a diferentes tamaños de objetos, relaciones de aspecto y contextos.
El ejemplo muestra la variedad y complejidad de las imágenes en el conjunto de datos DOTA128 y los beneficios de usar mosaicing durante el proceso de entrenamiento.
Citas y agradecimientos
Si utilizas el conjunto de datos DOTA en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:
@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={2021},
volume={},
number={},
pages={1-1},
doi={10.1109/TPAMI.2021.3117983}
}Una nota especial de gratitud al equipo detrás de los conjuntos de datos DOTA por su loable esfuerzo en la curación de este conjunto de datos. Para una comprensión exhaustiva del conjunto de datos y sus matices, por favor visita el sitio web oficial de DOTA.
FAQ
¿Qué es el conjunto de datos DOTA128 y cómo puede utilizarse?
El conjunto de datos DOTA128 es un conjunto de datos versátil de detección de objetos orientados compuesto por 128 imágenes del conjunto DOTAv1, todas almacenadas en la carpeta train. Tanto el entrenamiento como la validación utilizan el mismo conjunto de imágenes, lo que lo hace ideal para flujos de trabajo rápidos de prueba y depuración. Es perfecto para probar y depurar modelos OBB como Ultralytics YOLO26. Debido a su tamaño manejable y su diversidad, ayuda a identificar errores en el flujo de trabajo y a realizar comprobaciones de integridad antes de implementar conjuntos de datos más grandes. Aprende más sobre la detección OBB con Ultralytics YOLO26.
¿Cómo entreno un modelo YOLO26 usando el conjunto de datos DOTA128?
Para entrenar un modelo YOLO26n-obb en el conjunto de datos DOTA128 durante 100 epochs con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para ver todas las opciones de argumentos, consulta la página del modelo Entrenamiento .
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)¿Cuáles son las características clave del conjunto de datos DOTA y dónde puedo acceder al archivo YAML?
El conjunto de datos DOTA es conocido por su referencia a gran escala y los desafíos que presenta para la detección de objetos en imágenes aéreas. El subconjunto DOTA128 proporciona más diversidad que DOTA8, siendo a la vez manejable para pruebas iniciales. Puedes acceder al dota128.yaml, que contiene las rutas, las clases y los detalles de configuración, en este enlace de GitHub.
¿Cómo se compara DOTA128 con otras variantes del conjunto de datos DOTA?
DOTA128 (128 imágenes) se sitúa entre el DOTA8 (8 imágenes) y el conjunto de datos completo DOTA-v1 conjunto de datos (1.869 imágenes) en términos de tamaño:
- DOTA8: Contiene solo 8 imágenes (4 de entrenamiento, 4 de validación) - ideal para pruebas rápidas y depuración
- DOTA128: Contiene 128 imágenes (todas en la carpeta train, utilizadas tanto para train como para val) - equilibrado entre tamaño y diversidad
- DOTA-v1 completo: Contiene 1.869 imágenes - exhaustivo pero intensivo en recursos
DOTA128 ofrece un buen punto intermedio, ya que proporciona más diversidad que DOTA8, pero sigue siendo mucho más manejable que el conjunto de datos DOTA completo para experimentar y realizar el desarrollo inicial de modelos.
¿Cómo mejora el mosaicing el entrenamiento de modelos con el conjunto de datos DOTA128?
El mosaicing combina varias imágenes en una sola durante el entrenamiento, aumentando la variedad de objetos y contextos dentro de cada lote. Esto mejora la capacidad del modelo para generalizar ante diferentes tamaños de objeto, relaciones de aspecto y escenas. Esta técnica puede demostrarse visualmente mediante un lote de entrenamiento compuesto por imágenes del conjunto de datos DOTA128 en mosaico, lo que ayuda al desarrollo de modelos robustos. Explora más sobre el mosaicing y las técnicas de entrenamiento en nuestra Entrenamiento .
¿Por qué debería usar Ultralytics YOLO26 para tareas de detección de objetos orientados?
Ultralytics YOLO26 proporciona capacidades de detección de objetos en tiempo real de última generación, incluyendo características como cajas delimitadoras orientadas (OBB), segmentación de instancias, y un pipeline de entrenamiento altamente versátil. Es adecuado para diversas aplicaciones y ofrece modelos preentrenados para un ajuste eficiente. Explora más sobre las ventajas y el uso en la documentación de Ultralytics YOLO26.