Bộ dữ liệu DOTA128#

128

DOTA128

ultralytics

publicOBB

DOTA128 is an Ultralytics compact oriented-box subset of Wuhan University's DOTA aerial benchmark. It uses the canonical 15-class taxonomy and real rotated quadrilaterals for fast validation of aerial detection, augmentation, training, and export workflows.

15 classes26.7 MBSep 2, 2026

planeshipstorage tankbaseball diamond+11

aerialobbremote-sensing+2

Giới thiệu#

DOTA128 của Ultralytics là một bộ dữ liệu phát hiện vật thể định hướng nhỏ nhưng linh hoạt, gồm 128 ảnh từ tập DOTAv1, được dùng làm cả tập huấn luyện và tập xác thực. Bộ dữ liệu này lý tưởng để kiểm thử và gỡ lỗi các model hộp giới hạn định hướng (OBB), hoặc thử nghiệm các phương pháp phát hiện mới. Với 128 ảnh, bộ dữ liệu đủ nhỏ để dễ quản lý nhưng cũng 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 bộ dữ liệu#

• Ảnh: 128 ô ảnh trên không (tất cả nằm trong thư mục train và được dùng cho cả train lẫn val), lấy từ DOTAv1.
• Lớp: Kế thừa 15 danh mục của DOTAv1, chẳng hạn như máy bay, tàu và phương tiện cỡ lớn.
• Nhãn: Hộp giới hạn định hướng theo định dạng YOLO được lưu trong các tệp .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 bộ dữ liệu#

Tệp YAML được dùng để xác định cấu hình bộ dữ liệu. Tệp này chứa thông tin về các đường dẫn, lớp và thông tin liên quan khác của bộ dữ liệu. Với bộ dữ liệu DOTA128, tệp 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. Để xem danh sách đầy đủ các đối số hiện có, hãy tham khảo trang Huấn luyện model.

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 chú giải#

Sau đây là một số ví dụ về ảnh trong bộ dữ liệu DOTA128 cùng với các chú giải tương ứng:

• Ảnh ghép mosaic: Ảnh này minh họa một lô huấn luyện được tạo từ các ảnh trong tập dữ liệu ghép mosaic. Ghép mosaic là kỹ thuật được sử dụng trong quá trình huấn luyện, kết hợp nhiều ảnh thành một ảnh duy nhất để tăng sự đa dạng của đối tượng và khung cảnh trong mỗi lô 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 minh họa sự đa dạng và độ phức tạp của ảnh trong bộ dữ liệu DOTA128, cũng như lợi ích của việc ghép mosaic trong quá trình huấn luyện.

Trích dẫn và lời cảm ơn#

Nếu sử dụng bộ dữ liệu 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}
}

Xin gửi lời cảm ơn đặc biệt đến nhóm đứng sau các bộ dữ liệu DOTA vì những nỗ lực đáng ghi nhận trong việc tuyển chọn bộ dữ liệu này. Để hiểu đầy đủ về bộ dữ liệu và các đặc điểm của bộ dữ liệu, vui lòng truy cập trang web chính thức của DOTA.

Câu hỏi thường gặp#