Link to this sectionDataset DOTA128#

Link to this sectionIntrodução#

O Ultralytics DOTA128 é um pequeno, porém versátil, conjunto de dados de object detection orientado, composto por 128 imagens do conjunto DOTAv1, sendo 128 para treino e validação. Este conjunto de dados é ideal para testar e depurar modelos de oriented bounding box (OBB), ou para experimentar novas abordagens de deteção. Com 128 imagens, é suficientemente pequeno para ser facilmente gerível, mas suficientemente diversificado para testar pipelines de treino em busca de erros e atuar como uma verificação de integridade antes de treinar conjuntos de dados maiores.

Link to this sectionEstrutura do Dataset#

• Imagens: 128 mosaicos aéreos (todos na pasta train, usados tanto para treino quanto 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 salvas como arquivos .txt ao lado de cada imagem.

Este conjunto de dados destina-se ao uso com a Plataforma Ultralytics e YOLO26.

Link to this sectionYAML do Dataset#

Um ficheiro YAML (Yet Another Markup Language) é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, classes e outras informações relevantes do conjunto de dados. 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.zip

Link to this sectionUtilização#

Para treinar um modelo YOLO26n-obb no conjunto de dados DOTA128 durante 100 epochs com um tamanho de imagem de 640, podes usar os seguintes snippets de código. Para uma lista completa de argumentos disponíveis, consulta a página de Training 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)

Link to this sectionAmostra de Imagens e Anotações#

Aqui estão alguns exemplos de imagens do conjunto de dados DOTA128, juntamente com as suas respetivas anotações:

• Imagem em mosaico: Esta imagem demonstra um lote de treino composto por imagens do conjunto de dados em mosaico. A técnica de mosaico é um método utilizado durante o treino que combina várias imagens numa única para aumentar a variedade de objetos e cenas dentro de 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 no conjunto de dados DOTA128 e os benefícios de usar mosaicing durante o processo de treino.

Link to this sectionCitações e Agradecimentos#

Se usares o conjunto de dados DOTA no teu trabalho de pesquisa ou desenvolvimento, por favor 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={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3117983}
}

Um agradecimento especial à equipe por trás dos conjuntos de dados DOTA pelo seu louvável esforço na curadoria deste conjunto de dados. Para uma compreensão exaustiva do conjunto de dados e das suas nuances, visita o site oficial do DOTA.

Link to this sectionFAQ#

Link to this sectionO que é o conjunto de dados DOTA128 e como pode ser utilizado?#

O conjunto de dados DOTA128 é um conjunto de dados versátil de deteção de objetos orientado, composto por 128 imagens do conjunto DOTAv1, todas armazenadas na pasta train. Tanto o treino quanto a validação utilizam o mesmo conjunto de imagens, tornando-o ideal para fluxos de trabalho rápidos de teste e depuração. É ideal para testar e depurar modelos OBB como o Ultralytics YOLO26. Devido ao seu tamanho manejável e diversidade, ajuda a identificar erros no pipeline e a realizar verificações de integridade antes de implementar conjuntos de dados maiores. Sabe mais sobre deteção OBB com o Ultralytics YOLO26.

Link to this sectionComo posso treinar um modelo YOLO26 usando o conjunto de dados DOTA128?#

Para treinar um modelo YOLO26n-obb no conjunto de dados DOTA128 durante 100 epochs com um tamanho de imagem de 640, podes usar os seguintes snippets de código. Para opções de argumentos abrangentes, consulta a página de Training 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)

Link to this sectionQuais são as principais características do conjunto de dados DOTA e onde posso acessar o arquivo YAML?#

O conjunto de dados 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 manejável para testes iniciais. Podes aceder ao ficheiro dota128.yaml, que contém caminhos, classes e detalhes de configuração, através deste GitHub link.

Link to this sectionComo é que o DOTA128 se compara a outras variantes do conjunto de dados DOTA?#

O DOTA128 (128 imagens) situa-se entre o DOTA8 (8 imagens) e o conjunto de dados completo DOTA-v1 (1.869 imagens) em termos de tamanho:

• DOTA8: Contém apenas 8 imagens (4 de treino, 4 de validação) - ideal para testes rápidos e depuração
• DOTA128: Contém 128 imagens (todas na pasta train, usadas tanto para treino quanto para validação) - equilibrado entre tamanho e diversidade
• DOTA-v1 Completo: Contém 1.869 imagens - abrangente, mas intensivo em recursos

O DOTA128 oferece um bom meio-termo, proporcionando mais diversidade do que o DOTA8, enquanto continua a ser muito mais manejável do que o conjunto de dados DOTA completo para experimentação e desenvolvimento inicial de modelos.

Link to this sectionComo é que o mosaicing melhora o treino do modelo com o conjunto de dados DOTA128?#

O mosaicing combina múltiplas imagens numa só durante o treino, aumentando a variedade de objetos e contextos dentro de cada batch. Isto melhora a capacidade de um modelo para 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 conjunto de dados DOTA128 em mosaico, ajudando no desenvolvimento robusto do modelo. Explora mais sobre mosaicing e técnicas de treino na nossa página de Training.

Link to this sectionPor que devo usar o Ultralytics YOLO26 para tarefas de deteção de objetos orientados?#

O Ultralytics YOLO26 oferece capacidades de detecção de objetos em tempo real de última geração, incluindo recursos como caixas delimitadoras orientadas (OBB), segmentação de instâncias e um pipeline de treinamento altamente versátil. É adequado para várias aplicações e oferece modelos pré-treinados para um ajuste fino eficiente. Explora mais sobre as vantagens e o uso na documentação do Ultralytics YOLO26.