Link to this sectionDataset DOTA8#

Link to this sectionIntroduzione#

Il DOTA8 di Ultralytics è un dataset di object detection orientato, piccolo ma versatile, composto dalle prime 8 immagini del set DOTA split v1, 4 per l'addestramento e 4 per la validazione. Questo dataset è ideale per testare e sottoporre a debug i modelli di object detection, o per sperimentare con nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma abbastanza vario da testare le pipeline di addestramento per rilevare errori e agire come un controllo di integrità prima di addestrare dataset più grandi.

Link to this sectionStruttura del dataset#

• Immagini: 8 riquadri aerei (4 di train, 4 di val) provenienti da DOTAv1.

• Classi: Eredita le 15 categorie di DOTAv1 come aereo, nave e veicolo di grandi dimensioni.

• Etichette: Bbox orientate in formato YOLO salvate come file .txt accanto a ogni immagine.

• Layout consigliato:

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

Questo dataset è inteso per l'uso con Ultralytics Platform e YOLO26.

Link to this sectionDataset YAML#

Viene utilizzato un file YAML (Yet Another Markup Language) per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le classi e altre informazioni rilevanti. Nel caso del dataset DOTA8, il file dota8.yaml è mantenuto su 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 sectionUtilizzo#

Per addestrare un modello YOLO26n-obb sul dataset DOTA8 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 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="dota8.yaml", epochs=100, imgsz=640)

Link to this sectionEsempi di immagini e annotazioni#

Ecco alcuni esempi di immagini dal dataset DOTA8, 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 DOTA8 e i vantaggi dell'utilizzo del mosaicing durante il processo di addestramento.

Link to this sectionCitazioni 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={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 sectionChe cos'è il dataset DOTA8 e come può essere utilizzato?#

Il dataset DOTA8 è un piccolo e versatile dataset di object detection orientato, composto dalle prime 8 immagini dal set di split DOTAv1, con 4 immagini designate per l'addestramento e 4 per la validazione. È ideale per testare e sottoporre a debug modelli di object detection come Ultralytics YOLO26. Grazie alle sue dimensioni gestibili e alla sua diversità, aiuta a identificare errori nella pipeline ed eseguire controlli di integrità prima di utilizzare dataset più grandi. Scopri di più sull'object detection con Ultralytics YOLO26.

Link to this sectionCome posso addestrare un modello YOLO26 utilizzando il dataset DOTA8?#

Per addestrare un modello YOLO26n-obb sul dataset DOTA8 per 100 epoche con una dimensione immagine di 640, puoi utilizzare i seguenti snippet di codice. Per opzioni di argomenti complete, fai riferimento alla pagina 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="dota8.yaml", epochs=100, imgsz=640)

Link to this sectionQuali sono le caratteristiche chiave del dataset DOTA e dove posso accedere al file YAML?#

Il dataset DOTA è noto per il suo benchmark su larga scala e le sfide che presenta per l'object detection in immagini aeree. Il subset DOTA8 è un dataset più piccolo e gestibile, ideale per test iniziali. Puoi accedere al file dota8.yaml, che contiene percorsi, classi e dettagli di configurazione, a questo link GitHub.

Link to this sectionIn che modo il mosaicing migliora l'addestramento del modello con il dataset DOTA8?#

Il mosaicing combina più immagini in una 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 attraverso un batch di addestramento composto da immagini del dataset DOTA8 in mosaico, aiutando in uno sviluppo robusto del modello. Esplora di più sul mosaicing e sulle tecniche di addestramento nella nostra pagina Training.

Link to this sectionPerché dovrei usare Ultralytics YOLO26 per attività di object detection?#

Ultralytics YOLO26 offre funzionalità di object detection in tempo reale all'avanguardia, incluse caratteristiche come oriented bounding boxes (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.