Dataset DOTA128#
Introdução#
Ultralytics DOTA128 é um conjunto de dados de detecção de objetos orientados pequeno, mas versátil, composto por 128 imagens do conjunto DOTAv1 que servem como divisão de treino e validação. Este conjunto de dados é ideal para testar e depurar modelos de caixas delimitadoras orientadas (OBB), ou para experimentar novas abordagens de detecção. Com 128 imagens, o conjunto de dados DOTA128 é pequeno o suficiente para ser facilmente gerenciável, mas diversificado o suficiente para testar dutos de treinamento em busca de erros e agir como uma verificação de sanidade antes de treinar conjuntos de dados maiores.
Estrutura do Conjunto de Dados#
- Imagens: 128 blocos aéreos (todos na pasta train, utilizados tanto para treino como para validação) provenientes do DOTAv1.
- Classes: Herda as 15 categorias do DOTAv1, como avião, navio e veículo grande.
- Rótulos: Caixas delimitadoras orientadas no formato YOLO guardadas como ficheiros
.txtjunto a cada imagem. - Transferência: 34 MB, obtidos automaticamente dos recursos do GitHub da Ultralytics na primeira vez que treina.
Este conjunto de dados destina-se a ser utilizado com a Plataforma Ultralytics e o YOLO26.
YAML do Conjunto de Dados#
É utilizado um ficheiro YAML para definir a configuração do dataset. Contém informações sobre os caminhos, as classes e outras informações relevantes do dataset. No caso do dataset 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.zipUtilização#
Para treinar um modelo YOLO26n-obb no dataset DOTA128 durante 100 épocas com um tamanho de imagem de 640, pode utilizar os seguintes trechos de código. Para consultar uma lista abrangente dos argumentos disponíveis, visite a página de Treino do modelo.
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)Imagens de exemplo e anotações#
Eis alguns exemplos de imagens do dataset DOTA128, juntamente com as respetivas anotações:
- Imagem em mosaico: esta imagem demonstra um lote de treino composto por imagens do dataset combinadas em mosaico. A combinação em mosaico é uma técnica utilizada durante o treino que combina várias imagens numa única imagem para aumentar a variedade de objetos e cenas em cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.
O exemplo demonstra a variedade e a complexidade das imagens do dataset DOTA128, bem como as vantagens de utilizar mosaicos durante o processo de treino.
Citações e agradecimentos#
Se utilizares o dataset 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 datasets DOTA pelo louvável trabalho de organização deste dataset. Para obteres uma compreensão exaustiva do dataset e das suas particularidades, visita o site oficial do DOTA.
Perguntas frequentes#
O dataset DOTA128 é um dataset versátil de deteção de objetos orientados, composto por 128 imagens do conjunto DOTAv1, todas armazenadas na pasta train. Tanto o treino como a validação utilizam o mesmo conjunto de imagens, o que o torna ideal para fluxos de trabalho de teste e depuração rápidos. É ideal para testar e depurar modelos OBB, como o Ultralytics YOLO26. Graças ao seu tamanho gerível e à sua diversidade, ajuda a identificar erros no pipeline e a realizar verificações de sanidade antes de implementar datasets maiores. Saiba mais sobre deteção OBB com o Ultralytics YOLO26.
Para treinar um modelo YOLO26n-obb no dataset DOTA128 durante 100 épocas com um tamanho de imagem de 640, pode utilizar os seguintes trechos de código. Para consultar as opções abrangentes de argumentos, visite a página de Treino do modelo.
Exemplo de treinofrom 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)O dataset DOTA é conhecido pelo seu benchmark de grande escala e pelos desafios que apresenta para a deteção de objetos em imagens aéreas. O subconjunto DOTA128 oferece mais diversidade do que o DOTA8, mantendo-se gerível para testes iniciais. Pode aceder ao ficheiro
dota128.yaml, que contém caminhos, classes e detalhes de configuração, através desta ligação do GitHub.O DOTA128 (128 imagens) situa-se entre o DOTA8 (8 imagens) e o conjunto de dados DOTA-v1 completo (1.869 imagens rotuladas de treino e validação) em termos de tamanho:
- DOTA8: Contém apenas 8 imagens (4 de treino, 4 de validação) — ideal para testes e depuração rápidos
- DOTA128: Contém 128 imagens (todas na pasta train, utilizadas tanto para treino como para validação) — um equilíbrio entre tamanho e diversidade
- Full DOTA-v1: Contém 1.869 imagens rotuladas de treino e validação - abrangente, mas que consome muitos recursos
O DOTA128 oferece um bom equilíbrio, proporcionando mais diversidade do que o DOTA8 e, ao mesmo tempo, sendo muito mais gerível do que o dataset DOTA completo para experimentação e desenvolvimento inicial de modelos.
Os mosaicos combinam várias imagens numa só durante o treino, aumentando a variedade de objetos e contextos em cada batch. Isto melhora a capacidade de um modelo generalizar para diferentes tamanhos de objetos, proporções e cenas. Esta técnica pode ser demonstrada visualmente através de um batch de treino composto por imagens do dataset DOTA128 combinadas em mosaicos, contribuindo para um desenvolvimento robusto de modelos. Explore mais sobre mosaicos e técnicas 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. Explora mais informações sobre as vantagens e a utilização na documentação do Ultralytics YOLO26.