Dataset DOTA128

128

DOTA128

ultralytics

PublicOBB

Compact sample of aerial and satellite image tiles for testing oriented detection, created by Ultralytics from Wuhan University's DOTA v1.0. Large enough for quick training and augmentation checks beyond DOTA8, yet too small for benchmarking; use full DOTA v1.0 or v1.5 for real results. Source: Xia, Bai, Ding, et al., "DOTA: A Large-Scale Dataset for Object Detection in Aerial Images," CVPR 2018; captain-whu.github.io/DOTA.

15 classes26.7 MBOct 23, 2026

planeshipstorage tankbaseball diamond+11

aerialobbremote-sensing+2

Giới thiệu#

DOTA128 của Ultralytics là bộ dữ liệu phát hiện đối tượng xoay nhỏ, gồm 128 hình ảnh từ tập DOTAv1 được dùng làm cả tập huấn luyện lẫn validation. Bộ dữ liệu này lý tưởng để kiểm thử và gỡ lỗi model bounding box xoay (OBB) hoặc thử nghiệm các phương pháp phát hiện mới. Với 128 hình ảnh, bộ dữ liệu đủ nhỏ để dễ quản lý nhưng vẫn đủ đa dạng để kiểm tra lỗi trong pipeline huấn luyện và làm bước kiểm tra tính hợp lý trước khi huấn luyện trên các bộ dữ liệu lớn hơn.

Cấu trúc dataset#

• Ảnh: 128 ô ảnh trên không (tất cả nằm trong thư mục train, dùng cho cả train và val) lấy từ DOTAv1.
• Lớp: Kế thừa 15 danh mục của DOTAv1, chẳng hạn như máy bay, tàu thủy và xe cỡ lớn.
• Nhãn: Hộp giới hạn xoay định dạng YOLO được lưu thành các file .txt bên cạnh từng ảnh.
• Tải xuống: 34 MB, được tự động tải từ tài nguyên GitHub của Ultralytics trong lần đầu tiên bạn huấn luyện.

Bộ dữ liệu này được thiết kế để sử dụng với Ultralytics Platform và YOLO26.

YAML của dataset#

File YAML được dùng để xác định cấu hình dataset. File này chứa thông tin về đường dẫn, lớp và các thông tin liên quan khác của dataset. Với dataset DOTA128, file dota128.yaml được duy trì tại 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

Cách sử dụng#

Để huấn luyện model YOLO26n-obb trên bộ dữ liệu DOTA128 trong 100 epoch với kích thước ảnh 640, bạn có thể dùng các đoạn mã sau.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n-obb.pt")  # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện)

# Huấn luyện model
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)

Hình ảnh mẫu và annotation#

Sau đây là một số ảnh trong dataset DOTA128 cùng với các chú thích tương ứng:

• Ảnh ghép Mosaic: Hình ảnh này minh họa một batch huấn luyện được tạo từ các ảnh mosaic của bộ dữ liệu. Mosaic là kỹ thuật được sử dụng trong quá trình huấn luyện, kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng sự đa dạng của đối tượng và bối cảnh trong mỗi batch huấn luyện. Kỹ thuật này giúp cải thiện khả năng tổng quát hóa của model đối với các kích thước đối tượng, tỷ lệ khung hình và ngữ cảnh khác nhau.

Ví dụ này minh họa sự đa dạng và phức tạp của ảnh trong dataset DOTA128, cũng như lợi ích của việc sử dụng ghép mosaic trong quá trình huấn luyện.

Trích dẫn và lời cảm ơn#

Nếu sử dụng dataset DOTA trong nghiên cứu hoặc phát triển, vui lòng trích dẫn bài báo sau:

@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}
}

Chúng tôi cảm ơn nhóm phát triển các bộ dữ liệu DOTA đã biên soạn những bộ dữ liệu này. Để xem thông tin đầy đủ về bộ dữ liệu, hãy truy cập trang web DOTA chính thức.

Câu hỏi thường gặp#