DOTA8 数据集

简介

Ultralytics DOTA8 是一个小型但功能多样的定向对象检测数据集，由分割后的 DOTAv1 数据集的前 8 张图像组成，其中 4 张用于训练，4 张用于验证。此数据集非常适合测试和调试对象检测模型，或用于试验新的检测方法。它包含 8 张图像，规模足够小，易于管理，但又足够多样化，可以测试训练管道中的错误，并在训练更大的数据集之前作为完整性检查。

此数据集旨在与 Ultralytics HUB 和 YOLO11 一起使用。

数据集 YAML

YAML（Yet Another Markup Language）文件用于定义数据集配置，其中包含数据集的路径、类别和其他相关信息。对于DOTA8数据集， dota8.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# DOTA8 dataset 8 images from split DOTAv1 dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota8/
# Example usage: yolo train model=yolov8n-obb.pt data=dota8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dota8 ← downloads here (1MB)

# 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: dota8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/dota8.zip

用法

要使用图像大小为 640 的 DOTA8 数据集训练 YOLO11n-obb 模型 100 个epoch，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。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolo11n-obb.pt epochs=100 imgsz=640

Sample Images 和注释

以下是一些来自 DOTA8 数据集的图像示例，以及它们对应的注释：

• 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 DOTA8 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

什么是 DOTA8 数据集，它有什么用途？

DOTA8 数据集是一个小型的、通用的定向目标检测数据集，由 DOTAv1 分割集中的前 8 张图像组成，其中 4 张图像指定用于训练，4 张用于验证。它非常适合测试和调试像 Ultralytics YOLO11 这样的目标检测模型。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并运行完整性检查。了解更多关于使用 Ultralytics YOLO11 进行目标检测的信息。

如何使用 DOTA8 数据集训练 YOLO11 模型？

要使用图像大小为 640 的 DOTA8 数据集训练 YOLO11n-obb 模型 100 个 epoch，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。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolo11n-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以及它对航空图像中的目标检测提出的挑战而闻名。DOTA8 子集是一个较小、易于管理的数据集，非常适合初始测试。您可以通过访问 dota8.yaml 文件，其中包含路径、类别和配置详情，位于此 GitHub 链接.

图像拼接如何增强使用 DOTA8 数据集的模型训练？

Mosaicing 在训练期间将多个图像合并为一个图像，从而增加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、纵横比和场景的能力。这种技术可以通过由 mosaiced DOTA8 数据集图像组成的训练批次进行可视化演示，从而有助于稳健的模型开发。在我们的Training页面上了解更多关于 mosaicing 和训练技术的信息。

为什么我应该使用 Ultralytics YOLO11 进行目标检测任务？

Ultralytics YOLO11 提供了最先进的实时目标检测功能，包括旋转边界框 (OBB)、实例分割和高度通用的训练流程等功能。它适用于各种应用，并提供预训练模型以进行高效的微调。在 Ultralytics YOLO11 文档中进一步了解其优势和用法。

📅 创建于 1 年前 ✏️ 更新于 6 个月前

评论