Skip to content

DOTA8数据集

简介

Ultralytics DOTA8是一个小型但多功能的定向目标检测数据集，由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。该数据集非常适合用于测试和调试目标检测模型，或用于试验新的检测方法。由于只有8张图像，它足够小，易于管理，同时又足够多样化，可以测试训练管道的错误，并在训练更大的数据集之前进行健全性检查。

该数据集旨在与Ultralytics HUB和YOLO11一起使用。

数据集YAML

YAML（另一种标记语言）文件用于定义数据集配置。它包含有关数据集路径、类别和其他相关信息的信息。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/cfg/datasets/dota8.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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

使用方法

要在DOTA8数据集上训练YOLO11n-obb模型100个epoch，图像大小为640，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。

训练示例

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-obb.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

# 从预训练的*.pt模型开始训练
yolo obb train data=dota8.yaml model=yolo11n-obb.pt epochs=100 imgsz=640

示例图像和标注

以下是DOTA8数据集中的一些图像示例及其相应的标注：

数据集示例图像

  • 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过程中使用的技术，它将多张图像组合成一张图像，以增加每个训练批次中对象和场景的多样性。这有助于提高模型对不同对象大小、宽高比和上下文的泛化能力。

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马赛克的好处。

引用和致谢

如果您在研究或开发工作中使用了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，他们在策划该数据集方面做出了值得称赞的努力。如需全面了解数据集及其细微差别，请访问官方DOTA网站。

常见问题

DOTA8数据集是什么，如何使用？

DOTA8数据集是一个小型、多功能的定向目标检测数据集，由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。它非常适合用于测试和调试Ultralytics YOLO11等目标检测模型。由于其可管理的大小和多样性，它有助于识别管道错误并在部署更大的数据集之前进行健全性检查。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？

要在DOTA8数据集上训练一个YOLO11n-obb模型，进行100个epoch，图像大小为640，可以使用以下代码片段。有关全面的参数选项，请参阅模型的训练页面。

训练示例

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-obb.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

# 从预训练的 *.pt 模型开始训练
yolo obb train data=dota8.yaml model=yolo11n-obb.pt epochs=100 imgsz=640

DOTA数据集的关键特点是什么，我可以在哪里访问YAML文件？

DOTA数据集以其大规模基准和航空图像中目标检测的挑战而闻名。DOTA8子集是一个较小、易于管理的数据集，非常适合初步测试。您可以访问包含路径、类别和配置详情的dota8.yaml文件，链接在此GitHub链接。

马赛克增强如何提升DOTA8数据集的模型训练？

马赛克在训练过程中将多张图像合并为一张，增加了每个批次中对象和上下文的多样性。这提高了模型对不同对象大小、宽高比和场景的泛化能力。这种技术可以通过由马赛克DOTA8数据集图像组成的训练批次进行视觉展示，有助于模型的稳健开发。在我们的训练页面探索更多关于马赛克和训练技术的信息。

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能力，包括定向边界框（OBB）、实例分割和高度灵活的训练管道等功能。它适用于各种应用，并提供预训练模型以实现高效的微调。在Ultralytics YOLO11文档中进一步探索其优势和使用方法。


📅 Created 9 months ago ✏️ Updated 13 days ago
UltralyticsAssistant glenn-jocher MatthewNoyce RizwanMunawar Laughing-q

Comments