Dataset DOTA128#
Introducción#
Ultralytics DOTA128 es un pequeño pero versátil conjunto de datos de detección de objetos orientados compuesto por 128 imágenes del conjunto DOTAv1 que sirven como división tanto de entrenamiento como de validación. Este conjunto de datos es ideal para probar y depurar modelos de cuadros delimitadores orientados (OBB), o para experimentar con nuevos enfoques de detección. Con 128 imágenes, es lo suficientemente pequeño como para ser fácil de gestionar, pero lo bastante diverso como para probar los flujos de trabajo de entrenamiento en busca de errores y actuar como una comprobación de cordura antes de entrenar conjuntos de datos más grandes.
Estructura del dataset#
- Imágenes: 128 teselas aéreas (todas en la carpeta train, utilizadas tanto para train como para val) obtenidas de DOTAv1.
- Clases: Hereda las 15 categorías de DOTAv1, como avión, barco y vehículo grande.
- Etiquetas: Cajas delimitadoras orientadas en formato YOLO guardadas como archivos
.txtjunto a cada imagen. - Descarga: 34 MB, se obtiene automáticamente de los recursos de Ultralytics en GitHub la primera vez que entrenas.
Este dataset está pensado para utilizarse con Ultralytics Platform y YOLO26.
YAML del dataset#
Se utiliza un archivo YAML para definir la configuración del dataset. Contiene información sobre las rutas, las clases y otros datos relevantes del dataset. En el caso del dataset DOTA128, el archivo dota128.yaml 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 con el dataset DOTA128 durante 100 épocas y con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para consultar una lista completa de los argumentos disponibles, visita la página de Entrenamiento del modelo.
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 ejemplo y anotaciones#
Estos son algunos ejemplos de imágenes del dataset DOTA128, junto con sus anotaciones correspondientes:
- Imagen con mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos combinadas mediante mosaico. El mosaico es una técnica utilizada durante el entrenamiento que combina varias imágenes en una sola para aumentar la variedad de objetos y escenas de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a distintos tamaños de objetos, relaciones de aspecto y contextos.
El ejemplo muestra la variedad y complejidad de las imágenes del dataset DOTA128, así como las ventajas de utilizar mosaicos durante el proceso de entrenamiento.
Citas y agradecimientos#
Si utilizas el dataset DOTA en tu trabajo de investigación o desarrollo, 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={2022},
volume={44},
number={11},
pages={7778-7796},
doi={10.1109/TPAMI.2021.3117983}
}Nuestro agradecimiento especial al equipo responsable de los datasets DOTA por su encomiable labor de recopilación de este dataset. Para conocer a fondo el dataset y sus particularidades, visita el sitio web oficial de DOTA.
Preguntas frecuentes#
El dataset DOTA128 es un dataset 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 ideal para probar y depurar modelos OBB como Ultralytics YOLO26. Gracias a su tamaño manejable y su diversidad, ayuda a identificar errores del pipeline y a realizar comprobaciones de coherencia antes de implementar datasets más grandes. Obtén más información sobre la detección OBB con Ultralytics YOLO26.
Para entrenar un modelo YOLO26n-obb con el dataset DOTA128 durante 100 épocas y con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para consultar las opciones completas de los argumentos, visita la página de Entrenamiento del modelo.
Ejemplo de entrenamientofrom 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)El dataset DOTA es conocido por su benchmark a gran escala y por las dificultades que plantea para la detección de objetos en imágenes aéreas. El subconjunto DOTA128 ofrece más diversidad que DOTA8, sin dejar de ser manejable para las pruebas iniciales. Puedes acceder al archivo
dota128.yaml, que contiene las rutas, las clases y los detalles de configuración, en este enlace de GitHub.DOTA128 (128 imágenes) se sitúa entre DOTA8 (8 imágenes) y el conjunto de datos completo DOTA-v1 (1869 imágenes etiquetadas de entrenamiento y validación) en términos de tamaño:
- DOTA8: Contiene solo 8 imágenes (4 train y 4 val), ideal para pruebas rápidas y depuración
- DOTA128: Contiene 128 imágenes (todas en la carpeta train, utilizadas tanto para train como para val), con un equilibrio entre tamaño y diversidad
- Full DOTA-v1: Contiene 1869 imágenes etiquetadas de entrenamiento y validación; es exhaustivo pero requiere muchos recursos.
DOTA128 ofrece un buen término medio: proporciona más diversidad que DOTA8 y, al mismo tiempo, es mucho más manejable que el dataset DOTA completo para la experimentación y el desarrollo inicial de modelos.
Los mosaicos combinan varias imágenes en una durante el entrenamiento, lo que aumenta la variedad de objetos y contextos dentro de cada lote. Esto mejora la capacidad del modelo para generalizar a distintos tamaños de objetos, relaciones de aspecto y escenas. Esta técnica se puede mostrar visualmente mediante un lote de entrenamiento compuesto por imágenes del dataset DOTA128 combinadas en mosaico, lo que ayuda a desarrollar modelos robustos. Descubre más sobre los mosaicos y las técnicas de entrenamiento en nuestra página de Entrenamiento.
Ultralytics YOLO26 ofrece capacidades de detección de objetos en tiempo real de última generación, incluidas funciones como las cajas delimitadoras orientadas (OBB), la segmentación de instancias y una canalización de entrenamiento muy versátil. Es adecuado para diversas aplicaciones y ofrece modelos preentrenados para un ajuste fino eficiente. Descubre más información sobre sus ventajas y uso en la documentación de Ultralytics YOLO26.