DOTA128 数据集#
简介#
Ultralytics DOTA128 是一个小型且通用的定向对象检测数据集，由 DOTAv1 数据集中的 128 张图像组成，这些图像既可用作训练集也可用作验证集。这个数据集非常适合测试和调试定向边界框 (OBB) 模型，或者尝试新的检测方法。凭借 128 张图像，这个数据集足够小以便于管理，同时又具有足够的多样性来测试训练管道中的错误，并在训练更大的数据集之前充当健全性检查。
数据集结构#
- 图像：128 个航拍切片（全部位于 train 文件夹中，同时用于 train 和 val），来源于 DOTAv1。
- 类别：继承 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，保存为每张图像旁边的
.txt文件。 - 下载：34 MB，在你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#
使用 YAML 文件定义数据集配置。该文件包含数据集路径、类别和其他相关信息。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。
# 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使用方法#
要在 DOTA128 数据集上训练 YOLO26n-obb 模型 100 个周期，并将图像尺寸设置为 640，你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
# 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)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：此图像展示了由马赛克拼接数据集图像组成的训练批次。马赛克拼接是训练期间使用的一种技术，它将多张图像合并为一张图像，以增加每个训练批次中物体和场景的多样性。这有助于提升模型对不同物体大小、宽高比和上下文的泛化能力。
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图像拼接的优势。
引用和致谢#
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 数据集背后的团队为整理该数据集所付出的卓越努力。如需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 数据集是一个用途广泛的定向目标检测数据集，由 DOTAv1 数据集中的 128 张图像组成，全部存储在 train 文件夹中。训练和验证使用相同的图像集，因此非常适合快速测试和调试工作流。它非常适合测试和调试 OBB 模型，例如 Ultralytics YOLO26。由于规模易于管理且具有多样性，它有助于在部署更大的数据集之前识别流程错误并执行健全性检查。通过 Ultralytics YOLO26 进一步了解 OBB 检测。
要在 DOTA128 数据集上训练 YOLO26n-obb 模型 100 个周期，并将图像尺寸设置为 640，你可以使用以下代码片段。有关完整的参数选项，请参阅模型的训练页面。
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)DOTA 数据集以其大规模基准以及在航拍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，同时仍便于进行初步测试。你可以通过此 GitHub 链接访问
dota128.yaml文件，其中包含路径、类别和配置详细信息。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 张标注的训练和验证图像）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 train 文件夹中，同时用于 train 和 val），在规模和多样性之间取得平衡
- 完整的 DOTA-v1：包含 1,869 张标注的训练和验证图像——内容全面但资源消耗大
DOTA128 提供了一个良好的折中方案：相比 DOTA8 具有更高的多样性，同时在实验和模型初步开发方面，比完整 DOTA 数据集更易于管理。
图像拼接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目标和上下文的多样性。这可以提升模型对不同目标尺寸、宽高比和场景的泛化能力。通过由 DOTA128 数据集拼接图像组成的训练批次，可以直观展示这项技术，从而帮助进行稳健的模型开发。请在我们的训练页面上进一步了解图像拼接和训练技术。
Ultralytics YOLO26 提供先进的实时目标检测能力，包括定向边界框 (OBB)、实例分割和高度灵活的训练流水线等功能。它适用于各种应用，并提供预训练模型以便高效微调。在 Ultralytics YOLO26 文档中进一步了解其优势和用法。