跳转至内容

DOTA128 数据集

简介

Ultralytics DOTA128是一个小而多功能的定向目标检测数据集，包含来自DOTAv1集的128张图像，其中128张用于训练和验证。该数据集非常适合测试和调试定向边界框（旋转框检测）模型，或用于尝试新的检测方法。 仅128张图像的规模使其便于管理，同时具备足够多样性来测试训练管道的错误，并在训练大型数据集前作为合理性检查。

数据集结构

  • 图片：128张航拍瓦片（全部位于train文件夹中，同时用于train和val），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

YAML（又一种标记语言）文件用于定义数据集配置。其中包含数据集路径、类别及其他相关信息。以DOTA128数据集为例，该文件包含以下内容： dota128.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota128.yaml.

ultralytics.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

要使用图像尺寸为640的DOTA128数据集对旋转框检测 进行100个 epoch的训练，可使用以下代码片段。如需查看所有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数据集中的部分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与复杂性，以及在训练过程中采用马赛克处理的优势。

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

什么是DOTA128数据集，它如何被使用？

DOTA128数据集是一个多功能的物体检测数据集，包含来自DOTAv1数据集的128张图像，全部存储在train文件夹中。训练集和验证集使用相同的图像集，使其成为快速测试和调试工作流的理想选择。 该数据集特别适用于测试和Ultralytics 旋转框检测 。凭借其适中的规模和多样性，它能有效帮助识别管道错误，并在部署大型数据集前执行基本功能检查。了解更多关于Ultralytics 旋转框检测 。

如何使用DOTA128数据集训练YOLO26模型？

要使用图像尺寸为640的DOTA128数据集对旋转框检测 进行100个 epoch 的训练，可使用以下代码片段。完整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测试和对航空图像目标检测提出的挑战而闻名。DOTA128子集相较于DOTA8提供了更丰富的多样性，同时仍可用于初步测试。您可访问该数据集。 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）在规模上介于DOTA8（8张图像）与完整的DOTA-v1数据集（1,869张图像）之间：

  • DOTA8：仅包含8张图像（4张训练图，4张验证图）——适用于快速测试和调试
  • DOTA128：包含128张图像（全部位于train文件夹中，同时用于训练集和验证集）——在尺寸与多样性之间取得平衡
  • 完整版DOTA-v1：包含1,869张图像——内容全面但资源消耗大

DOTA128提供了一个理想的中间方案，其多样性优于DOTA8，同时又比完整的DOTA数据集更易于管理，非常适合实验和初始模型开发。

马赛克技术如何提升基于DOTA128数据集的模型训练效果？

马赛克技术在训练过程中将多张图像组合为单一图像，从而增加每批次数据中物体与场景的多样性。这能提升模型对不同物体尺寸、宽高比及场景的泛化能力。通过由马赛克处理的DOTA128数据集图像组成的训练批次，可直观展示该技术效果，助力模型稳健开发。更多关于马赛克技术与训练方法的详情，请访问我们的训练页面。

为什么我应该Ultralytics 进行定向目标检测任务？

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 0 天前 ✏️ 更新于 0 天前
Laughing-q

评论