Conjunto de datos DOTA128#
Introducción#
DOTA128 de Ultralytics es un conjunto de datos pequeño pero versátil de detección de objetos orientada, compuesto por 128 imágenes de DOTAv1 que se utilizan tanto para entrenamiento como para validación. Este conjunto de datos es ideal para probar y depurar modelos de cajas delimitadoras orientadas (OBB), así como para experimentar con nuevos métodos de detección. Con 128 imágenes, es fácil de gestionar, pero lo bastante diverso como para probar si hay errores en las canalizaciones de entrenamiento y realizar una comprobación rápida antes de entrenar con conjuntos de datos más grandes.
Estructura del conjunto de datos#
- Imágenes: 128 teselas aéreas (todas en la carpeta train y utilizadas tanto para train como para val) procedentes 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 descarga automáticamente de los recursos de Ultralytics en GitHub la primera vez que entrenas.
Este conjunto de datos está pensado para utilizarse con Ultralytics Platform y YOLO26.
YAML del conjunto de datos#
Se utiliza un archivo YAML para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otros datos relevantes del conjunto de datos. En el caso de 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 conjunto de datos DOTA128 durante 100 épocas y con un tamaño de imagen de 640, puedes usar 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
# Cargar un modelo
model = YOLO("yolo26n-obb.pt") # Carga un modelo preentrenado (recomendado para el entrenamiento)
# Entrenar el modelo
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 del conjunto de datos dispuestas en mosaico. El mosaico es una técnica que se utiliza durante el entrenamiento para combinar varias imágenes en una sola y 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 conjunto de datos DOTA128 y las ventajas de usar mosaicos durante el entrenamiento.
Citas y agradecimientos#
Si utilizas el conjunto de datos DOTA en tus trabajos 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 conjuntos de datos DOTA por su encomiable labor de recopilación. Para conocer a fondo el conjunto de datos y sus particularidades, visita el sitio web oficial de DOTA.
Preguntas frecuentes#
El conjunto de datos DOTA128 es versátil y está pensado para la detección de objetos orientada. Está formado por 128 imágenes de DOTAv1, todas guardadas en la carpeta train. Tanto el entrenamiento como la validación usan las mismas imágenes, por lo que es ideal para probar y depurar rápidamente modelos OBB como Ultralytics YOLO26. Gracias a su tamaño manejable y su diversidad, ayuda a detectar errores en las canalizaciones y a realizar comprobaciones rápidas antes de entrenar con conjuntos de datos más grandes. Obtén más información sobre la detección OBB con Ultralytics YOLO26.
Para entrenar un modelo YOLO26n-obb con el conjunto de datos DOTA128 durante 100 épocas y con un tamaño de imagen de 640, puedes usar los siguientes fragmentos de código. Para consultar todas las opciones de argumentos, visita la página de entrenamiento del modelo.
Ejemplo de entrenamientofrom ultralytics import YOLO # Cargar un modelo model = YOLO("yolo26n-obb.pt") # Carga un modelo preentrenado (recomendado para el entrenamiento) # Entrenar el modelo results = model.train(data="dota128.yaml", epochs=100, imgsz=640)El conjunto de datos DOTA es conocido por su benchmark a gran escala y por los retos que plantea la detección de objetos en imágenes aéreas. El subconjunto DOTA128 ofrece más diversidad que DOTA8 y sigue siendo manejable para las pruebas iniciales. Puedes acceder al archivo
dota128.yaml, que contiene rutas, clases y detalles de configuración, a través de este enlace de GitHub.Por tamaño, DOTA128 (128 imágenes) se sitúa entre DOTA8 (8 imágenes) y el conjunto de datos completo DOTA-v1 (1869 imágenes etiquetadas de entrenamiento y validación):
- DOTA8: contiene solo 8 imágenes (4 train, 4 val); es ideal para pruebas rápidas y depuración.
- DOTA128: contiene 128 imágenes (todas en la carpeta train y utilizadas tanto para train como para val); ofrece un equilibrio entre tamaño y diversidad.
- DOTA-v1 completo: contiene 1869 imágenes etiquetadas de entrenamiento y validación; es exhaustivo, pero requiere muchos recursos.
DOTA128 ofrece un buen término medio: aporta más diversidad que DOTA8 y, al mismo tiempo, es mucho más manejable que el conjunto de datos DOTA completo para experimentar y desarrollar modelos inicialmente.
El uso de mosaicos combina varias imágenes en una durante el entrenamiento, lo que aumenta la variedad de objetos y contextos de cada lote. Esto mejora la capacidad del modelo para generalizar a distintos tamaños de objetos, relaciones de aspecto y escenas. Puedes ver esta técnica en un lote de entrenamiento compuesto por imágenes del conjunto de datos DOTA128 combinadas en mosaicos, lo que contribuye 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, con funciones como cajas delimitadoras orientadas (OBB), 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 ventajas y cómo usarlo en la documentación de Ultralytics YOLO26.