DOTA128 数据集#
简介#
Ultralytics DOTA128 是一个小型但通用的旋转对象检测数据集，由来自 DOTAv1 集的 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边界框（OBB）模型，或者用于试验新的检测方法。凭借 128 张图像，它的规模足够小，易于管理，同时又具有足够的多样性，可以测试训练流程中的错误，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 张航拍图（全部位于 train 文件夹中，同时用于训练和验证），均来源于 DOTAv1。
- 类别：继承了 DOTAv1 的 15 个类别，例如飞机、船舶和大型车辆。
- 标签：保存为每张图像旁边的
.txt文件的 YOLO 格式旋转边界框。 - 下载：34 MB，首次训练时会自动从 Ultralytics GitHub 资产中获取。
此数据集旨在与 Ultralytics Platform 和 YOLO26 一起使用。
数据集 YAML#
YAML 文件用于定义数据集配置。它包含有关数据集路径、类和其他相关信息的信息。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用法#
要在 DOTA128 数据集上训练 YOLO26n-obb 模型 100 个轮次，图像大小为 640，你可以使用以下代码片段。有关可用参数的完整列表，请参考模型训练页面。
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)样本图像和标注#
以下是来自 DOTA128 数据集的一些图像示例，以及它们对应的标注：
- 马赛克图像：此图像展示了一个由马赛克数据集图像组成的训练批次。马赛克是一种在训练期间使用的技术，它将多张图像合并为单张图像，以增加每个训练批次中物体和场景的多样性。这有助于提高模型对不同物体尺寸、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马赛克增强（mosaicing）带来的好处。
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 数据集背后的团队在策展该数据集时做出的值得称赞的努力。要全面了解该数据集及其细节，请访问官方 DOTA 网站。
常见问题解答#
DOTA128 数据集是一个通用的旋转对象检测数据集，由来自 DOTAv1 集的 128 张图像组成，全部存储在 train 文件夹中。训练和验证都使用同一组图像，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诸如 Ultralytics YOLO26 之类的 OBB 模型。由于其易于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流程错误并运行健全性检查。通过 Ultralytics YOLO26 了解有关 OBB 检测的更多信息。
要在 DOTA128 数据集上训练 YOLO26n-obb 模型 100 个 epochs，图像大小为 640，你可以使用以下代码片段。有关全面的参数选项，请参考模型训练页面。
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)DOTA 数据集以其大规模基准测试以及它为航空图像中的对象检测带来的挑战而闻名。DOTA128 子集比 DOTA8 提供了更多样性，同时对于初始测试仍然易于管理。你可以访问包含路径、类和配置详细信息的
dota128.yaml文件，网址为这个 GitHub 链接。马赛克增强在训练期间将多个图像组合成一个，增加了每个批次中对象和上下文的多样性。这提高了模型泛化到不同对象大小、宽高比和场景的能力。该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直观演示，有助于构建稳健的模型。在我们的训练页面上探索有关马赛克增强和训练技术的更多信息。
Ultralytics YOLO26 提供尖端的实时目标检测功能，包括旋转边界框（OBB）、实例分割以及高度多功能的训练流水线。它适用于各种应用程序，并提供用于高效微调的预训练模型。在 Ultralytics YOLO26 文档中进一步探索优势和用法。