Link to this sectionConjunto de datos DOTA8#

Link to this sectionIntroducción#

Ultralytics DOTA8 es un conjunto de datos pequeño pero versátil para detección de objetos orientados, compuesto por las primeras 8 imágenes del conjunto dividido DOTAv1: 4 para entrenamiento y 4 para validación. Este conjunto de datos es ideal para probar y depurar modelos de detección de objetos, o para experimentar con nuevos enfoques de detección. Con 8 imágenes, es lo suficientemente pequeño como para ser manejable, pero a la vez lo bastante diverso para probar errores en los pipelines de entrenamiento y servir como una comprobación de integridad antes de entrenar con conjuntos de datos más grandes.

Link to this sectionEstructura del dataset#

• Imágenes: 8 mosaicos aéreos (4 de entrenamiento, 4 de validación) 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.

• Diseño recomendado:

  datasets/dota8/
  ├── images/
  │   ├── train/
  │   └── val/
  └── labels/
      ├── train/
      └── val/

Este conjunto de datos está pensado para usarse con Ultralytics Platform y YOLO26.

Link to this sectionYAML 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 DOTA8, el archivo dota8.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# DOTA8 dataset (8 images from the DOTAv1 split) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota8
# Example usage: yolo train model=yolov8n-obb.pt data=dota8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dota8 ← downloads here (1 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: dota8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/dota8.zip

Link to this sectionUso#

Para entrenar un modelo YOLO26n-obb en el conjunto de datos DOTA8 durante 100 épocas 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 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="dota8.yaml", epochs=100, imgsz=640)

Link to this sectionMuestras de imágenes y anotaciones#

Aquí tienes algunos ejemplos de imágenes del conjunto de datos DOTA8, junto con sus correspondientes anotaciones:

• Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos 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 objeto, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes en el conjunto de datos DOTA8 y los beneficios de utilizar el mosaico durante el proceso de entrenamiento.

Link to this sectionCitas 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}
}

Un agradecimiento especial al equipo detrás de los datasets DOTA por su encomiable esfuerzo al curar este dataset. Para obtener una comprensión exhaustiva del dataset y sus matices, visita el sitio web oficial de DOTA.

Link to this sectionFAQ#

Link to this section¿Qué es el conjunto de datos DOTA8 y cómo se puede utilizar?#

El conjunto de datos DOTA8 es un conjunto pequeño y versátil para la detección de objetos orientados, compuesto por las primeras 8 imágenes del conjunto dividido DOTAv1, con 4 imágenes designadas para entrenamiento y 4 para validación. Es ideal para probar y depurar modelos de detección de objetos como Ultralytics YOLO26. Debido a su tamaño manejable y su diversidad, ayuda a identificar errores en el pipeline y a realizar comprobaciones de integridad antes de desplegar conjuntos de datos más grandes. Aprende más sobre la detección de objetos con Ultralytics YOLO26.

Link to this section¿Cómo entreno un modelo YOLO26 usando el conjunto de datos DOTA8?#

Para entrenar un modelo YOLO26n-obb en el conjunto de datos DOTA8 durante 100 épocas con un tamaño de imagen de 640, puedes usar los siguientes fragmentos de código. Para ver las opciones completas de argumentos, consulta 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="dota8.yaml", epochs=100, imgsz=640)

Link to this section¿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 benchmark a gran escala y los desafíos que presenta para la detección de objetos en imágenes aéreas. El subconjunto DOTA8 es un conjunto más pequeño y manejable, ideal para pruebas iniciales. Puedes acceder al archivo dota8.yaml, que contiene rutas, clases y detalles de configuración, en este enlace de GitHub.

Link to this section¿Cómo mejora el mosaico el entrenamiento del modelo con el conjunto de datos DOTA8?#

El mosaico 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 a diferentes tamaños de objetos, relaciones de aspecto y escenas. Esta técnica puede demostrarse visualmente a través de un lote de entrenamiento compuesto por imágenes del conjunto de datos DOTA8 en mosaico, lo que ayuda a un desarrollo robusto del modelo. Explora más sobre el mosaico y las técnicas de entrenamiento en nuestra página de Entrenamiento.

Link to this section¿Por qué debería usar Ultralytics YOLO26 para tareas de detección de objetos?#

Ultralytics YOLO26 ofrece 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 fino eficiente. Explora más sobre las ventajas y el uso en la documentación de Ultralytics YOLO26.