Ultralytics YOLO27: Únete a la lista de espera.
Empezar
Investigación

Conjunto de datos DOTA128

Introducción#

DOTA128 de Ultralytics es un pequeño conjunto de datos 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) o experimentar con nuevos métodos de detección. Con 128 imágenes, es lo bastante pequeño para manejarlo con facilidad y lo bastante diverso para detectar errores en los flujos de entrenamiento y realizar comprobaciones básicas 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 .txt junto 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/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.zip

Uso#

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.

Ejemplo de entrenamiento
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:

DOTA128 oriented bounding box dataset training mosaic
  • 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:

Cita
@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}
}

Damos las gracias al equipo responsable de los conjuntos de datos DOTA por recopilarlos. Para consultar todos los detalles del conjunto de datos, visita el sitio web oficial de DOTA.

Preguntas frecuentes#

  • El conjunto de datos DOTA128 es un conjunto de detección de objetos orientada compuesto por 128 imágenes de DOTAv1, todas almacenadas en la carpeta train. Tanto el entrenamiento como la validación utilizan las mismas imágenes, por lo que es ideal para probar y depurar rápidamente modelos OBB como Ultralytics YOLO26. Su tamaño manejable y su diversidad ayudan a identificar errores en los flujos de trabajo y a realizar comprobaciones básicas antes de entrenar con conjuntos de datos más grandes.

  • 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 entrenamiento
    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)

  • El conjunto de datos DOTA es conocido por su benchmark a gran escala y los retos que plantea para la detección de objetos en imágenes aéreas. El subconjunto DOTA128 ofrece más diversidad que DOTA8, pero sigue siendo manejable para las pruebas iniciales. El archivo de configuración dota128.yaml, que contiene rutas, clases y detalles de configuración, se mantiene en el repositorio de GitHub de Ultralytics.

  • 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 mosaico 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.

  • Ultralytics YOLO26 admite la detección en tiempo real de cuadros delimitadores orientados (OBB), además de otras tareas como la segmentación de instancias, todo ello mediante un único flujo de entrenamiento. Sus modelos OBB preentrenados permiten realizar el ajuste fino con datos aéreos de forma eficiente.

Colaboradores
glenn-jocherglenn-jocher8raimbekovmraimbekovm3pderrengerpderrenger1Laughing-qLaughing-q1

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.