Dataset DOTA128#
Introduzione#
Ultralytics DOTA128 è un dataset di object detection orientato piccolo ma versatile, composto da 128 immagini tratte dal set DOTAv1, 128 per l'addestramento e la validazione. Questo dataset è ideale per testare e sottoporre a debug modelli OBB (oriented bounding box), o per sperimentare nuovi approcci di rilevamento. Con 128 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente vario da testare la presenza di errori nei flussi di addestramento e fungere da controllo di sanità prima di addestrare dataset più ampi.
Struttura del dataset#
- Immagini: 128 riquadri aerei (tutti nella cartella train, usati sia per train che per val) provenienti da DOTAv1.
- Classi: Eredita le 15 categorie di DOTAv1 come aereo, nave e veicolo di grandi dimensioni.
- Etichette: Bounding box orientati in formato YOLO salvati come file
.txtaccanto a ciascuna immagine. - Download: 34 MB, scaricati automaticamente dagli asset di Ultralytics GitHub la prima volta che esegui l'addestramento.
Questo dataset è concepito per l'uso con Ultralytics Platform e YOLO26.
Dataset YAML#
Un file YAML viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del dataset DOTA128, il file dota128.yaml è mantenuto su 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.zipUtilizzo#
Per addestrare un modello YOLO26n-obb sul dataset DOTA128 per 100 epochs con una dimensione dell'immagine di 640, puoi usare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di Training del modello.
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)Esempi di immagini e annotazioni#
Ecco alcuni esempi di immagini dal dataset DOTA128, insieme alle relative annotazioni:
- Immagine Mosaico: Questa immagine mostra un batch di addestramento composto da immagini del dataset a mosaico. Il mosaico è una tecnica utilizzata durante l'addestramento che combina più immagini in un'unica immagine per aumentare la varietà di oggetti e scene all'interno di ogni batch di addestramento. Ciò aiuta a migliorare la capacità del modello di generalizzare a diverse dimensioni, proporzioni e contesti degli oggetti.
L'esempio mostra la varietà e la complessità delle immagini nel dataset DOTA128 e i vantaggi dell'utilizzo del mosaicing durante il processo di addestramento.
Citazioni e riconoscimenti#
Se utilizzi il dataset DOTA nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare il seguente articolo:
@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}
}Un ringraziamento speciale al team dietro i dataset DOTA per il loro lodevole impegno nella cura di questo dataset. Per una comprensione esaustiva del dataset e delle sue sfumature, visita il sito ufficiale DOTA.
FAQ#
Il dataset DOTA128 è un dataset di object detection orientato versatile costituito da 128 immagini del set DOTAv1, tutte memorizzate nella cartella train. Sia l'addestramento che la validazione utilizzano lo stesso set di immagini, rendendolo ideale per flussi di lavoro di test e debug rapidi. È ideale per testare e sottoporre a debug modelli OBB come Ultralytics YOLO26. Grazie alle sue dimensioni gestibili e alla sua diversità, aiuta a identificare gli errori della pipeline ed eseguire controlli di sanità prima di distribuire dataset più ampi. Scopri di più sul rilevamento OBB con Ultralytics YOLO26.
Per addestrare un modello YOLO26n-obb sul dataset DOTA128 per 100 epoche con una dimensione dell'immagine di 640, puoi usare i seguenti frammenti di codice. Per opzioni di argomenti complete, fai riferimento alla pagina di Training del modello.
Esempio di Addestramentofrom 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)Il dataset DOTA è noto per il suo benchmark su larga scala e per le sfide che presenta per l'object detection in immagini aeree. Il sottoinsieme DOTA128 offre maggiore diversità rispetto a DOTA8 pur rimanendo gestibile per i test iniziali. Puoi accedere al file
dota128.yaml, che contiene percorsi, classi e dettagli di configurazione, a questo GitHub link.DOTA128 (128 immagini) si colloca tra DOTA8 (8 immagini) e il dataset DOTA-v1 completo (1.869 immagini) in termini di dimensioni:
- DOTA8: Contiene solo 8 immagini (4 train, 4 val) - ideale per test rapidi e debug
- DOTA128: Contiene 128 immagini (tutte nella cartella train, usate sia per train che per val) - bilanciato tra dimensioni e diversità
- DOTA-v1 completo: Contiene 1.869 immagini - completo ma ad alto consumo di risorse
DOTA128 fornisce un buon compromesso, offrendo maggiore diversità rispetto a DOTA8 pur rimanendo molto più gestibile del dataset DOTA completo per la sperimentazione e lo sviluppo iniziale del modello.
Il mosaicing combina più immagini in una sola durante l'addestramento, aumentando la varietà di oggetti e contesti all'interno di ogni batch. Questo migliora la capacità di un modello di generalizzare a diverse dimensioni di oggetti, proporzioni e scene. Questa tecnica può essere dimostrata visivamente tramite un batch di addestramento composto da immagini del dataset DOTA128 unite in mosaico, aiutando nello sviluppo di un modello robusto. Esplora di più sul mosaicing e sulle tecniche di addestramento sulla nostra pagina di Training.
Ultralytics YOLO26 offre funzionalità di object detection in tempo reale all'avanguardia, incluse caratteristiche come bounding box orientati (OBB), instance segmentation e una pipeline di training altamente versatile. È adatto a varie applicazioni e offre modelli pre-addestrati per un fine-tuning efficiente. Scopri di più sui vantaggi e sull'utilizzo nella documentazione di Ultralytics YOLO26.