Dataset DOTA128#
Introduzione#
Ultralytics DOTA128 è un dataset di object detection orientata piccolo ma versatile, composto da 128 immagini del set DOTAv1 che fungono sia da split di training sia di validation. Questo dataset è ideale per testare ed effettuare il debug di modelli con bounding box orientata (OBB) o per sperimentare nuovi approcci di rilevamento. Con 128 immagini, è abbastanza piccolo da risultare facilmente gestibile, ma al contempo sufficientemente vario da testare le pipeline di addestramento alla ricerca di errori e fungere da controllo di sanità prima di addestrare dataset più ampi.
Struttura del dataset#
- Immagini: 128 tasselli aerei (tutti nella cartella train, utilizzati sia per train sia per val) provenienti da DOTAv1.
- Classi: eredita le 15 categorie di DOTAv1, come aereo, nave e veicolo grande.
- Etichette: riquadri di delimitazione orientati in formato YOLO salvati come file
.txtaccanto a ciascuna immagine. - Download: 34 MB, scaricati automaticamente dagli asset GitHub di Ultralytics la prima volta che esegui l'addestramento.
Questo dataset è destinato all'uso con Ultralytics Platform e YOLO26.
YAML del dataset#
Un file YAML viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e su altre informazioni pertinenti. Nel caso del 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 utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Addestramento 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)Immagini ed esempi di annotazioni#
Ecco alcuni esempi di immagini del dataset DOTA128, insieme alle relative annotazioni:
- Immagine a mosaico: questa immagine mostra un batch di addestramento composto da immagini del dataset unite a mosaico. La composizione a 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. Questo contribuisce 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'utilizzo della mosaicatura durante il processo di addestramento.
Citazioni e ringraziamenti#
Se utilizzi il dataset DOTA nel tuo lavoro 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 creato i dataset DOTA per l'impegno encomiabile nella raccolta e nella cura di questo dataset. Per una comprensione esaustiva del dataset e delle sue peculiarità, visita il sito web ufficiale di DOTA.
FAQ#
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. Sia l'addestramento sia la validazione utilizzano lo stesso insieme di immagini, rendendolo ideale per flussi di lavoro rapidi di test e debugging. È ideale per testare ed eseguire il debugging di modelli OBB come Ultralytics YOLO26. Grazie alle sue dimensioni gestibili e alla sua varietà, aiuta a identificare gli errori nella pipeline e a eseguire controlli di integrità prima di distribuire 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 utilizzare i seguenti frammenti di codice. Per le opzioni complete degli argomenti, consulta la pagina Addestramento 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 difficoltà che presenta per il rilevamento di oggetti nelle immagini aeree. Il sottoinsieme DOTA128 offre una maggiore varietà rispetto a DOTA8, rimanendo al contempo gestibile per i test iniziali. Puoi accedere al file
dota128.yaml, che contiene percorsi, classi e dettagli di configurazione, tramite questo link GitHub.DOTA128 (128 immagini) si colloca tra DOTA8 (8 immagini) e il dataset DOTA-v1 completo (1.869 immagini etichettate di train e val) in termini di dimensioni:
- DOTA8: contiene solo 8 immagini (4 train, 4 val), ideale per test rapidi e debugging
- DOTA128: contiene 128 immagini (tutte nella cartella train, utilizzate sia per train sia per val), in equilibrio tra dimensioni e varietà
- Full DOTA-v1: Contiene 1.869 immagini etichettate di train e val - completo ma ad alto consumo di risorse
DOTA128 offre un buon compromesso, con una maggiore varietà rispetto a DOTA8, pur rimanendo molto più gestibile rispetto al dataset DOTA completo per la sperimentazione e lo sviluppo iniziale dei modelli.
La mosaicatura 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 degli oggetti, proporzioni e scene. Questa tecnica può essere illustrata visivamente attraverso un batch di addestramento composto da immagini del dataset DOTA128 sottoposte a mosaicatura, contribuendo allo sviluppo di modelli robusti. Scopri di più sulla mosaicatura e sulle tecniche di addestramento nella nostra pagina Addestramento.
Ultralytics YOLO26 offre funzionalità di rilevamento degli oggetti in tempo reale all'avanguardia, incluse caratteristiche come i riquadri di delimitazione orientati (OBB), la segmentazione delle istanze e una pipeline di addestramento altamente versatile. È adatto a diverse applicazioni e offre modelli preaddestrati per un fine-tuning efficiente. Scopri ulteriori informazioni sui vantaggi e sull'utilizzo nella documentazione di Ultralytics YOLO26.