跳转至内容

DOTA128 数据集

简介

Ultralytics DOTA128 是一个小型但多功能的定向目标检测数据集，由 DOTAv1 数据集中的 128 张图像组成，其中 128 张用于训练和验证。该数据集非常适合测试和调试旋转框检测 (OBB) 模型，或用于尝试新的检测方法。它包含 128 张图像，足够小巧易于管理，但又足够多样化，可以在训练大型数据集之前测试训练管道中的错误并进行健全性检查。

数据集结构

  • 图像：128 张航空影像瓦片（全部在训练文件夹中，用于训练和验证），源自 DOTAv1。
  • 类别：继承了 15 个 DOTAv1 类别，例如飞机、船舶和大型车辆。
  • 标签：YOLO 格式的定向边界框另存为 .txt 文件，在每张图片旁边。

此数据集旨在与 Ultralytics 平台 和 YOLO26 一起使用。

数据集 YAML

一个yaml（Yet Another Markup Language）文件用于定义数据集配置。它包含有关数据集路径、类别和其他相关信息。对于DOTA128数据集， dota128.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml.

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

用法

要在DOTA128数据集上训练一个YOLO26n-obb模型，进行100个epoch，图像大小为640，您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。

训练示例

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)

# Start training from a pretrained *.pt model
yolo obb train data=dota128.yaml model=yolo26n-obb.pt epochs=100 imgsz=640

Sample Images 和注释

以下是DOTA128数据集中的一些图像示例及其对应的标注：

DOTA128 定向边界框数据集训练马赛克

  • Mosaiced Image：此图像演示了一个由 mosaiced 数据集图像组成的训练批次。Mosaicing 是一种在训练期间使用的技术，它将多个图像组合成一个图像，以增加每个训练批次中对象和场景的多样性。这有助于提高模型泛化到不同对象大小、纵横比和上下文的能力。

该示例展示了DOTA128数据集中图像的多样性和复杂性，以及在训练过程中使用马赛克增强（mosaicing）的好处。

引用和致谢

如果您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={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3117983}
}

特别感谢DOTA数据集背后的团队为整理此数据集所做的值得称赞的努力。 要全面了解数据集及其细微之处，请访问DOTA官方网站。

常见问题

DOTA128 数据集是什么以及如何使用它？

DOTA128 数据集是一个多功能旋转目标检测数据集，由 DOTAv1 数据集中的 128 张图像组成，全部存储在 train 文件夹中。训练和验证都使用相同的图像集，使其非常适合快速测试和调试工作流程。它非常适合测试和调试 Ultralytics YOLO26 等 OBB 模型。由于其可管理的大小和多样性，它有助于在部署更大的数据集之前识别管道错误和运行健全性检查。了解更多关于Ultralytics YOLO26的旋转框检测。

我如何使用DOTA128数据集训练YOLO26模型？

要在DOTA128数据集上训练一个YOLO26n-obb模型，进行100个epoch，图像大小为640，您可以使用以下代码片段。有关全面的参数选项，请参阅模型训练页面。

训练示例

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)

# Start training from a pretrained *.pt model
yolo obb train data=dota128.yaml model=yolo26n-obb.pt epochs=100 imgsz=640

DOTA 数据集的主要特点是什么？我可以在哪里访问 YAML 文件？

DOTA 数据集以其大规模基准和在航空图像目标检测中带来的挑战而闻名。DOTA128 子集比 DOTA8 具有更高的多样性，同时易于进行初步测试。您可以访问 dota128.yaml 文件，其中包含路径、类别和配置详情，位于此 GitHub 链接.

DOTA128与其他DOTA数据集变体相比如何？

DOTA128（128张图像）在大小上介于DOTA8（8张图像）和完整的DOTA-v1数据集（1,869张图像）之间：

  • DOTA8：仅包含 8 张图像（4 张用于训练，4 张用于验证）——非常适合快速测试和调试
  • DOTA128：包含 128 张图像（全部位于训练文件夹中，用于训练和验证）——在大小和多样性之间取得平衡
  • 完整 DOTA-v1：包含 1,869 张图像——全面但资源密集

DOTA128 提供了一个很好的折衷方案，比DOTA8提供更多多样性，同时比完整的DOTA数据集更易于管理，适用于实验和初始模型开发。

马赛克增强如何利用DOTA128数据集提升模型训练？

马赛克增强（Mosaicing）在训练期间将多张图像组合成一张，增加了每个批次中物体和上下文的多样性。这提高了模型对不同物体大小、长宽比和场景的泛化能力。这种技术可以通过由马赛克增强的DOTA128数据集图像组成的训练批次进行视觉演示，有助于稳健的模型开发。在我们的训练页面上了解更多关于马赛克增强和训练技术的信息。

为什么我应该使用Ultralytics YOLO26进行定向目标detect任务？

Ultralytics YOLO26 提供最先进的实时目标 detect 能力，包括旋转框检测 (OBB)、实例 segment 等功能，以及高度通用的训练 pipeline。它适用于各种应用，并提供预训练模型以实现高效微调。有关其优势和用法的更多信息，请参阅Ultralytics YOLO26 文档。



📅 创建于 21 天前 ✏️ 更新于 21 天前
Laughing-q

评论