DOTA128 数据集#
简介#
Ultralytics DOTA128 是一个小巧而灵活的有向目标检测数据集，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有向边界框（OBB）模型，也适合尝试新的检测方法。它有 128 张图像，易于管理，同时又足够多样，可用于检查训练流水线中的错误，并在训练更大的数据集前进行基本验证。
数据集结构#
- 图像：128 张航空影像切片（全部位于 train 文件夹，同时用于 train 和 val），来源于 DOTAv1。
- 类别：沿用 DOTAv1 的 15 个类别，例如飞机、船只和大型车辆。
- 标签：采用 YOLO 格式的有向边界框，保存在每张图像旁边的
.txt文件中。 - 下载：大小为 34 MB，首次训练时会自动从 Ultralytics GitHub 资源下载。
该数据集旨在配合 Ultralytics Platform 和 YOLO26 使用。
数据集 YAML#
使用 YAML 文件定义数据集配置，其中包含数据集路径、类别及其他相关信息。对于 DOTA128 数据集，dota128.yaml 文件由 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml 维护。
# 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#
要使用 DOTA128 数据集训练 YOLO26n-obb 模型 100 个周期，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，请参阅模型的训练页面。
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标注：
- 马赛克图像：此图像展示了由数据集马赛克图像组成的训练批次。马赛克是一种训练时使用的技术，它将多张图像合并为一张图像，从而增加每个训练批次中目标和场景的多样性。这有助于提升模型对不同目标尺寸、长宽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，以及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卓越努力。要全面了解该数据集及其细节，请访问 DOTA 官方网站。
常见问题#
DOTA128 数据集是一个灵活的有向目标检测数据集，由 DOTAv1 集中的 128 张图像组成，所有图像都存储在 train 文件夹中。训练和验证共用同一组图像，因此非常适合快速测试和调试 Ultralytics YOLO26 等 OBB 模型。由于规模易于管理且具有一定多样性，它有助于在使用更大数据集训练前发现流水线错误并进行基本检查。了解更多关于使用 Ultralytics YOLO26 进行 OBB 检测的信息。
要使用 DOTA128 数据集训练 YOLO26n-obb 模型 100 个周期，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，请参阅模型的训练页面。
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 数据集以大规模基准测试集著称，也因其对航空影像目标检测提出的挑战而闻名。DOTA128 子集比 DOTA8 更多样，同时仍便于开展初步测试。你可以通过此 GitHub 链接获取
dota128.yaml文件，其中包含路径、类别和配置信息。按规模来看，DOTA128（128 张图像）介于 DOTA8（8 张图像）和完整的 DOTA-v1 数据集（1869 张带标签的训练和验证图像）之间：
- DOTA8：仅包含 8 张图像（4 张用于 train，4 张用于 val），非常适合快速测试和调试
- DOTA128：包含 128 张图像（全部位于 train 文件夹，同时用于 train 和 val），在规模与多样性之间取得平衡
- 完整 DOTA-v1：包含 1869 张带标签的训练和验证图像，内容全面但需要大量资源
DOTA128 提供了不错的折中方案：它比 DOTA8 更多样，同时比完整 DOTA 数据集易于管理，适合实验和初期模型开发。
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、宽高比和场景的泛化能力。你可以通过由 DOTA128 数据集图像组成的马赛克训练批次直观地了解此技术，这有助于稳健地开发模型。访问我们的训练页面，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，包括有向边界框（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，并提供预训练模型，便于高效微调。请访问 Ultralytics YOLO26 文档，进一步了解其优势和用法。