Dataset DOTA128#
Introduzione#
Ultralytics DOTA128 è un dataset di piccole dimensioni ma versatile per il rilevamento di oggetti orientati, composto da 128 immagini del set DOTAv1, utilizzate sia per l'addestramento sia per la convalida. Questo dataset è ideale per testare ed eseguire il debug di modelli con box di delimitazione orientati (OBB) o per sperimentare nuovi approcci al rilevamento. Con 128 immagini è abbastanza piccolo da essere facilmente gestibile, ma anche abbastanza vario da consentire di verificare la presenza di errori nelle pipeline di addestramento e di fungere da controllo preliminare prima di addestrare modelli su dataset più grandi.
Struttura del dataset#
- Immagini: 128 riquadri aerei (tutti nella cartella train, usati sia per train sia per val) provenienti da DOTAv1.
- Classi: eredita le 15 categorie di DOTAv1, tra cui aereo, nave e veicolo di grandi dimensioni.
- Etichette: box di delimitazione orientati in formato YOLO, salvati in file
.txtaccanto a ogni immagine. - Download: 34 MB, scaricati automaticamente dagli asset di Ultralytics su GitHub al primo addestramento.
Questo dataset è pensato per essere usato con Ultralytics Platform e YOLO26.
File YAML del dataset#
Un file YAML definisce la configurazione del dataset. Contiene informazioni sui percorsi, sulle classi e su altri dettagli pertinenti del dataset. Per il dataset DOTA128, il file dota128.yaml è disponibile all'indirizzo 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 epoche con una dimensione delle immagini di 640, puoi usare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Addestramento del modello.
from ultralytics import YOLO
# Carica un modello
model = YOLO("yolo26n-obb.pt") # carica un modello preaddestrato (consigliato per l'addestramento)
# Addestra il modello
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)Immagini di esempio e annotazioni#
Ecco alcuni esempi di immagini del dataset DOTA128, con le relative annotazioni:
- Immagine a mosaico: questa immagine mostra un batch di addestramento composto da immagini del dataset disposte a mosaico. La composizione a mosaico è una tecnica usata durante l'addestramento che combina più immagini in un'unica immagine per aumentare la varietà di oggetti e scene in ogni batch di addestramento. Questo aiuta a migliorare la capacità del modello di generalizzare a diverse dimensioni degli oggetti, proporzioni e contesti.
L'esempio mostra la varietà e la complessità delle immagini nel dataset DOTA128 e i vantaggi dell'uso del mosaico durante l'addestramento.
Citazioni e ringraziamenti#
Se usi il dataset DOTA per le tue attività di ricerca o sviluppo, cita 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 che ha realizzato i dataset DOTA per l'ottimo lavoro di raccolta e cura di questo dataset. Per conoscere a fondo il dataset e le sue peculiarità, visita il sito ufficiale di DOTA.
Domande frequenti#
Il dataset DOTA128 è un versatile dataset per il rilevamento di oggetti orientati, composto da 128 immagini del set DOTAv1, tutte archiviate nella cartella train. L'addestramento e la convalida utilizzano lo stesso insieme di immagini, il che lo rende ideale per testare rapidamente ed eseguire il debug di modelli OBB come Ultralytics YOLO26. Grazie alle dimensioni gestibili e alla varietà, aiuta a individuare gli errori nella pipeline e a eseguire controlli preliminari prima dell'addestramento su dataset più grandi. Scopri di più sul rilevamento OBB con Ultralytics YOLO26.
Per addestrare un modello YOLO26n-obb sul dataset DOTA128 per 100 epoche con una dimensione delle immagini di 640, puoi usare i seguenti frammenti di codice. Per consultare l'elenco completo degli argomenti disponibili, visita la pagina Addestramento del modello.
Esempio di addestramentofrom ultralytics import YOLO # Carica un modello model = YOLO("yolo26n-obb.pt") # carica un modello preaddestrato (consigliato per l'addestramento) # Addestra il modello 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 difficoltà che pone al rilevamento di oggetti nelle immagini aeree. Il sottoinsieme DOTA128 offre più varietà di DOTA8, pur restando gestibile per i test iniziali. Puoi consultare il file
dota128.yaml, che contiene percorsi, classi e dettagli di configurazione, a questo link GitHub.DOTA128 (128 immagini) si colloca, per dimensioni, tra DOTA8 (8 immagini) e il dataset completo DOTA-v1 (1.869 immagini etichettate di train e val):
- DOTA8: contiene solo 8 immagini (4 train, 4 val), ideale per test rapidi ed eseguire il debug
- DOTA128: contiene 128 immagini (tutte nella cartella train, usate sia per train sia per val), con un buon equilibrio tra dimensioni e varietà
- DOTA-v1 completo: contiene 1.869 immagini etichettate di train e val, è completo ma richiede molte risorse
DOTA128 offre un buon compromesso: è più vario di DOTA8, ma molto più gestibile del dataset DOTA completo per la sperimentazione e lo sviluppo iniziale dei modelli.
Il mosaico combina più immagini in una durante l'addestramento, aumentando la varietà di oggetti e contesti in ogni batch. Questo migliora la capacità del modello di generalizzare a dimensioni e rapporti d'aspetto degli oggetti e a scene diverse. Questa tecnica può essere illustrata visivamente con un batch di addestramento composto da immagini del dataset DOTA128 combinate a mosaico, favorendo lo sviluppo di modelli robusti. Scopri di più sul mosaico e sulle tecniche di addestramento nella nostra pagina Addestramento.
Ultralytics YOLO26 offre funzionalità di rilevamento di oggetti in tempo reale all'avanguardia, tra cui box di delimitazione orientati (OBB), segmentazione di istanze e una pipeline di addestramento estremamente versatile. È adatto a diverse applicazioni e offre modelli preaddestrati per un fine-tuning efficiente. Scopri di più sui vantaggi e sull'utilizzo nella documentazione di Ultralytics YOLO26.