Conjunto de dados DOTA128#
Introdução#
O DOTA128 da Ultralytics é um conjunto de dados pequeno, mas versátil, de deteção de objetos orientada, composto por 128 imagens do conjunto DOTAv1, usadas tanto para treino como para validação. Este conjunto de dados é ideal para testar e depurar modelos de caixas delimitadoras orientadas (OBB) ou experimentar novas abordagens de deteção. Com 128 imagens, é suficientemente pequeno para ser fácil de gerir, mas também suficientemente diversificado para testar erros nos pipelines de treino e servir como verificação básica antes de treinar com conjuntos de dados maiores.
Estrutura do conjunto de dados#
- Imagens: 128 mosaicos aéreos (todos na pasta train, usados tanto para train como para val) provenientes do DOTAv1.
- Classes: Inclui as 15 categorias do DOTAv1, como avião, navio e veículo de grandes dimensões.
- Etiquetas: Caixas delimitadoras orientadas no formato YOLO, guardadas em ficheiros
.txtjunto a cada imagem. - Transferência: 34 MB, transferido automaticamente dos recursos da Ultralytics no GitHub quando treinas pela primeira vez.
Este conjunto de dados destina-se a ser usado com a Ultralytics Platform e o YOLO26.
YAML do conjunto de dados#
Usa-se um ficheiro YAML para definir a configuração do conjunto de dados. O ficheiro contém informações sobre os caminhos, as classes e outros dados relevantes do conjunto. No caso do conjunto de dados DOTA128, o ficheiro dota128.yaml é mantido em 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.zipUso#
Para treinar um modelo YOLO26n-obb com o conjunto de dados DOTA128 durante 100 épocas, com um tamanho de imagem de 640, podes usar os seguintes excertos de código. Para obter uma lista completa dos argumentos disponíveis, consulta a página de treino do modelo.
from ultralytics import YOLO
# Carregar um modelo
model = YOLO("yolo26n-obb.pt") # carregue um modelo pré-treinado (recomendado para treinamento)
# Treinar o modelo
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)Imagens de exemplo e anotações#
Aqui estão alguns exemplos de imagens do conjunto de dados DOTA128, juntamente com as respetivas anotações:
- Imagem em mosaico: esta imagem mostra um lote de treinamento composto por imagens do conjunto de dados organizadas em mosaico. A criação de mosaicos é uma técnica usada durante o treinamento que combina várias imagens numa só para aumentar a variedade de objetos e cenas em cada lote de treinamento. Isso ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.
O exemplo mostra a variedade e a complexidade das imagens do conjunto de dados DOTA128, bem como as vantagens de usar mosaicos durante o processo de treino.
Citações e agradecimentos#
Se usares o conjunto de dados DOTA no teu trabalho de investigação ou desenvolvimento, cita o seguinte artigo:
@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}
}Um agradecimento especial à equipa responsável pelos conjuntos de dados DOTA pelo excelente trabalho de curadoria deste conjunto. Para compreenderes o conjunto de dados e as suas particularidades em detalhe, visita o site oficial do DOTA.
Perguntas frequentes#
O conjunto de dados DOTA128 é um conjunto versátil para deteção de objetos orientada, composto por 128 imagens do conjunto DOTAv1, todas guardadas na pasta train. O treino e a validação usam o mesmo conjunto de imagens, o que o torna ideal para testar e depurar rapidamente modelos OBB, como o Ultralytics YOLO26. Graças ao seu tamanho fácil de gerir e à sua diversidade, ajuda a identificar erros nos pipelines e a fazer verificações básicas antes do treino com conjuntos de dados maiores. Sabe mais sobre deteção OBB com o Ultralytics YOLO26.
Para treinar um modelo YOLO26n-obb com o conjunto de dados DOTA128 durante 100 épocas, com um tamanho de imagem de 640, podes usar os seguintes excertos de código. Para consultar todas as opções de argumentos, visita a página de treino do modelo.
Exemplo de treinofrom ultralytics import YOLO # Carregar um modelo model = YOLO("yolo26n-obb.pt") # carregue um modelo pré-treinado (recomendado para treinamento) # Treinar o modelo results = model.train(data="dota128.yaml", epochs=100, imgsz=640)O conjunto de dados DOTA é conhecido pelo seu benchmark de grande escala e pelos desafios que coloca à deteção de objetos em imagens aéreas. O subconjunto DOTA128 oferece mais diversidade do que o DOTA8 e continua a ser fácil de gerir para os testes iniciais. Podes aceder ao ficheiro
dota128.yaml, que contém caminhos, classes e detalhes de configuração, através desta ligação do GitHub.Em termos de tamanho, o DOTA128 (128 imagens) situa-se entre o DOTA8 (8 imagens) e o conjunto de dados completo DOTA-v1 (1.869 imagens de treino e validação anotadas):
- DOTA8: contém apenas 8 imagens (4 train, 4 val) — ideal para testes rápidos e depuração
- DOTA128: contém 128 imagens (todas na pasta train, usadas tanto para train como para val) — equilibra o tamanho e a diversidade
- DOTA-v1 completo: contém 1.869 imagens de treino e validação anotadas — abrangente, mas exige muitos recursos
O DOTA128 oferece um bom equilíbrio: proporciona mais diversidade do que o DOTA8 e é muito mais fácil de gerir do que o conjunto de dados DOTA completo, para experimentação e desenvolvimento inicial de modelos.
A composição de mosaicos combina várias imagens numa só durante o treino, aumentando a variedade de objetos e contextos em cada lote. Isto melhora a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e cenários. Esta técnica pode ser demonstrada visualmente com um lote de treino composto por imagens do conjunto de dados DOTA128 combinadas em mosaicos, contribuindo para um desenvolvimento robusto do modelo. Explora mais técnicas de composição de mosaicos e de treino na nossa página de treino.
O Ultralytics YOLO26 oferece capacidades de deteção de objetos em tempo real de última geração, incluindo funcionalidades como caixas delimitadoras orientadas (OBB), segmentação de instâncias e um pipeline de treino altamente versátil. É adequado para várias aplicações e disponibiliza modelos pré-treinados para um ajuste fino eficiente. Descobre mais sobre as vantagens e a utilização na documentação do Ultralytics YOLO26.