Link to this sectionDataset DOTA128#
Link to this sectionIntroduzione#
Ultralytics DOTA128 è un dataset di object detection orientata piccolo ma versatile, composto da 128 immagini tratte dal set DOTAv1, 128 per l'addestramento e la validazione. Questo dataset è ideale per testare ed eseguire il debug di modelli con bounding box orientati (OBB), o per sperimentare con nuovi approcci di rilevamento. Con 128 immagini, è abbastanza piccolo da essere facilmente gestibile, ma abbastanza diversificato da testare le pipeline di addestramento alla ricerca di errori e fungere da controllo preliminare prima di addestrare dataset più grandi.
Link to this sectionStruttura del dataset#
- Immagini: 128 tasselli aerei (tutti nella cartella train, usati sia per train che per val) provenienti da DOTAv1.
- Classi: Eredita le 15 categorie DOTAv1 come aereo, nave e veicoli di grandi dimensioni.
- Etichette: Bounding box orientate in formato YOLO salvate come file
.txtaccanto a ogni immagine.
Questo dataset è inteso per l'uso con Ultralytics Platform e YOLO26.
Link to this sectionYAML del dataset#
Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le 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.zipLink to this sectionUtilizzo#
Per addestrare un modello YOLO26n-obb sul dataset DOTA128 per 100 epochs con una dimensione immagine di 640, puoi utilizzare i seguenti snippet 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)Link to this sectionImmagini campione e annotazioni#
Ecco alcuni esempi di immagini dal dataset DOTA128, insieme alle relative annotazioni:
- Immagine a 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.
Link to this sectionCitazioni e ringraziamenti#
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={2021},
volume={},
number={},
pages={1-1},
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.
Link to this sectionFAQ#
Link to this sectionCos'è il dataset DOTA128 e come può essere utilizzato?#
Il dataset DOTA128 è un versatile dataset di object detection orientata composto da 128 immagini dal set DOTAv1, tutte archiviate 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 ed eseguire il debug di modelli OBB come Ultralytics YOLO26. Grazie alle sue dimensioni gestibili e alla sua diversità, aiuta a identificare errori nella pipeline ed eseguire controlli preliminari prima di distribuire dataset più grandi. Scopri di più sulla rilevazione OBB con Ultralytics YOLO26.
Link to this sectionCome posso addestrare un modello YOLO26 utilizzando il dataset DOTA128?#
Per addestrare un modello YOLO26n-obb sul dataset DOTA128 per 100 epoch con una dimensione immagine di 640, puoi utilizzare i seguenti snippet di codice. Per le opzioni complete degli argomenti, 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)Link to this sectionQuali sono le caratteristiche principali del dataset DOTA e dove posso accedere al file YAML?#
Il dataset DOTA è noto per il suo benchmark su larga scala e per le sfide che presenta per la rilevazione di oggetti in immagini aeree. Il subset DOTA128 offre una maggiore diversità rispetto a DOTA8 rimanendo gestibile per i test iniziali. Puoi accedere al file dota128.yaml, che contiene percorsi, classi e dettagli di configurazione, a questo link GitHub.
Link to this sectionCome si confronta DOTA128 con altre varianti del dataset DOTA?#
DOTA128 (128 immagini) si colloca tra DOTA8 (8 immagini) e il dataset completo DOTA-v1 (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, utilizzate sia per train che per val) - bilanciato tra dimensioni e diversità
- DOTA-v1 completo: Contiene 1.869 immagini - completo ma richiede molte risorse
DOTA128 offre un buon compromesso, offrendo una maggiore diversità rispetto a DOTA8 pur rimanendo molto più gestibile rispetto al dataset DOTA completo per la sperimentazione e lo sviluppo iniziale del modello.
Link to this sectionIn che modo il mosaicing migliora l'addestramento del modello con il dataset DOTA128?#
Il mosaicing combina più immagini in una sola durante l'addestramento, aumentando la varietà di oggetti e contesti all'interno di ogni batch. Ciò migliora la capacità del modello di generalizzare a diverse dimensioni di oggetti, proporzioni e scene. Questa tecnica può essere dimostrata visivamente attraverso un batch di addestramento composto da immagini del dataset DOTA128 sottoposte a mosaicing, aiutando nello sviluppo di un modello robusto. Esplora di più sul mosaicing e sulle tecniche di addestramento nella nostra pagina di Training.
Link to this sectionPerché dovrei usare Ultralytics YOLO26 per attività di object detection orientata?#
Ultralytics YOLO26 offre funzionalità di object detection in tempo reale all'avanguardia, incluse caratteristiche come bounding box orientate (OBB), instance segmentation e una pipeline di addestramento altamente versatile. È adatto a varie applicazioni e offre modelli preaddestrati per un fine-tuning efficiente. Esplora ulteriormente i vantaggi e l'utilizzo nella documentazione di Ultralytics YOLO26.