DOTA128 数据集#
简介#
Ultralytics DOTA128 是一个小巧但用途广泛的定向目标检测数据集，由 DOTAv1 集中的 128 张图像组成，这些图像同时用作训练集和验证集。该数据集非常适合测试和调试定向边界框（OBB）模型，也适合尝试新的检测方法。DOTA128 仅包含 128 张图像，因此易于管理，同时又足够多样，既能用于检查训练流水线中的错误，也能在训练更大规模的数据集前进行合理性检查。
数据集结构#
- 图像：128 张航空影像切片（全部位于 train 文件夹中，同时用于训练和验证），来源于 DOTAv1。
- 类别：沿用 DOTAv1 的 15 个类别，例如飞机、船舶和大型车辆。
- 标签：YOLO 格式的定向边界框，保存为与每张图像位于同一目录下的
.txt文件。 - 下载：34 MB，首次训练时会自动从 Ultralytics GitHub 资源中获取。
此数据集适用于 Ultralytics Platform 和 YOLO26。
数据集 YAML 文件#
使用 YAML 文件定义数据集配置。该文件包含数据集路径、类别及其他相关信息。对于 DOTA128 数据集，dota128.yaml 文件维护在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml 中。
# 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用法#
要在 DOTA128 数据集上训练 YOLO26n-obb 模型 100 个轮次，并将图像尺寸设为 640，可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。
from ultralytics import YOLO
# 加载模型
model = YOLO("yolo26n-obb.pt") # 加载预训练模型（推荐用于训练）
# 训练模型
results = model.train(data="dota128.yaml", epochs=100, imgsz=640)示例图像和标注#
以下是 DOTA128 数据集中的一些图像示例及其对应的标注：
- 马赛克图像：此图展示了由数据集马赛克图像组成的训练批次。马赛克是一种训练期间使用的技术，它将多张图像合成为一张图像，以增加每个训练批次中的物体和场景多样性。这有助于提升模型对不同物体尺寸、纵横比和上下文的泛化能力。
此示例展示了 DOTA128 数据集中图像的多样性和复杂性，也体现了在训练过程中使用马赛克增强的优势。
引用与致谢#
如果你在研究或开发工作中使用 DOTA 数据集，请引用以下论文：
@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}
}特别感谢 DOTA 数据集团队为整理该数据集所付出的出色努力。要全面了解该数据集及其特点，请访问 DOTA 官方网站。
常见问题#
DOTA128 是一个用途广泛的定向目标检测数据集，由 DOTAv1 集中的 128 张图像组成，这些图像全部存储在 train 文件夹中。训练和验证使用同一组图像，因此该数据集非常适合快速测试和调试 OBB 模型，例如 Ultralytics YOLO26。它规模适中且内容多样，有助于在使用更大规模的数据集训练前发现流水线错误并进行合理性检查。通过 Ultralytics YOLO26 了解更多 OBB 检测信息。
要在 DOTA128 数据集上训练 YOLO26n-obb 模型 100 个轮次，并将图像尺寸设为 640，可以使用以下代码片段。有关参数选项的完整信息，请参阅模型训练页面。
训练示例from ultralytics import YOLO # 加载模型 model = YOLO("yolo26n-obb.pt") # 加载预训练模型（推荐用于训练） # 训练模型 results = model.train(data="dota128.yaml", epochs=100, imgsz=640)DOTA 数据集以其大规模基准测试和航空影像目标检测面临的挑战而闻名。DOTA128 子集比 DOTA8 更多样，同时仍便于用于初步测试。你可以通过此 GitHub 链接访问
dota128.yaml文件，其中包含路径、类别和配置信息。马赛克增强会在训练过程中将多张图像合并为一张，从而增加每个批次中物体和场景的多样性。这能提升模型对不同物体尺寸、长宽比和场景的泛化能力。通过由 DOTA128 数据集图像拼接而成的训练批次，可以直观地展示这项技术，助力开发稳健的模型。前往我们的训练页面，进一步了解马赛克增强和训练技巧。
Ultralytics YOLO26 提供先进的实时目标检测能力，包括定向边界框（OBB）、实例分割等功能，以及高度灵活的训练流水线。它适用于各种应用场景，并提供预训练模型以便高效微调。前往 Ultralytics YOLO26 文档，进一步了解其优势和用法。