DOTA目标检测数据集

最新推荐文章于 2025-06-21 16:04:25 发布
原创 最新推荐文章于 2025-06-21 16:04:25 发布 · 2.4w 阅读 · 53 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#DOTA数据集 #目标检测 #VOC

Dota开源目标检测数据集
DOTA-v1.5包含16个类别中的40万个带注释的对象实例，这是DOTA-v1.0的更新版本，它们都使用相同的航拍图像，但是DOTA-v1.5修改并更新了对象的注释，其中许多在DOTA-v1.0中丢失的10像素以下的小对象实例已被另外注释，DOTA-v1.5的类别也得到了扩展。
具体地说，增加了集装箱起重机的类别。与DOTA-v.1.0一致，DOTA-v1.5中的图像主要来自中国资源卫星数据和应用中心、Google Earth，卫星JL-1和卫星GF-2。使用来自Google Earth的图片必须遵守相应的使用条款：“Google Earth”使用条款。 DOTA-v1.5中的所有图像及其相关注释仅可用于学术目的，但禁止任何商业用途。
目标类别：
DOTA-v1.5中的对象类别包括：飞机，船舶，储罐，棒球场，网球场，篮球场，地面场地，港口，桥梁，小型车辆，大型车辆，直升机，环形交叉路口，足球场，篮球 法院和集装箱起重机。
标注格式：
在数据集中，每个实例的位置由四边形边界框注释，可以表示为“x 1，y 1，x 2，y 2，x 3，y 3，x 4，y 4”，其中（xi，yi）表示图像中定向边界框顶点的位置。顶点按顺时针顺序排列。 以下是采用的注释方法的可视化。黄点代表起点。 它指的是：（a）飞机的左上角，（b）大型车辆钻石的左上角，（c）扇形棒球的中心。
在这里插入图片描述
除了位置的注释之外，为每个实例分配类别标签，其来自上述15个所选类别中的一个，同时提供难以识别的标签，其指示实例是否难以被检测（1表示难，0表示不难）
图像的注释保存在具有相同文件名的文本文件中。 在第一行，给出了’imagesource’（来自GoogleEarth，GF-2或JL-1）。 在第二行，给出’gsd’（地面采样距离，一个图像像素的物理尺寸，以米为单位）。 请注意，如果缺少’gsd’，则注释为’null’。 从注释文本文件的第三行到最后一行，给出了每个实例的注释。 注释格式为：
在这里插入图片描述
Dota的数据集标签转Voc2007数据集的格式：
Dota的数据集的标签是txt的格式，而Voc2007数据集的格式是xml的格式，要实现转换，就得先搞清楚Dota的数据集的标签的数据组织结构，这个文章上面介绍了。如果想要代码，可以联系我。QQ：3239516597
将转换后的xml和图片放在一个文件夹下，用labelImg打开检验一下转换的是对是错。如下图所示。
在这里插入图片描述

深度学习目标检测：基于YOLOv5的DOTA数据集应用与UI界面实现
如需修改或训练 Ultralytics YOLO 模型，请联系 Ultralytics 获取授权。
04-24 732
DOTA数据集是一个专门用于航空图像目标检测的数据集，由中国的学者团队创建。该数据集的目的是为航空图像中的多类别目标检测提供标准化的挑战，适用于军事侦察、地理信息系统等多个领域。DOTA数据集中的目标覆盖了多个现实生活中的物体，类别包括飞机、跑道、船只、车辆、建筑物等。类别数量：15个类别类别示例飞机跑道船只车辆建筑物等等图像数量：共计2,806张图像标注信息：每张图像包括物体的类别、位置及其边界框信息。图像分辨率：图像尺寸各异，具有较大的尺度和多种角度。
DOTA数据集测试mAP
qq_42948594的博客
05-10 3537
前言 测试mAP的程序是官方提供的DOTA_devkit，但mmdetection生成的测试结果不能直接用来测试mAP，需要一定的格式转换。 DOTA_devkit需要的文件 测试mAP需要三个文件夹 detpath = r'/home/zhangxiao/DOTA_devkit-master/map_test/predict_rusult/Task1_ship.txt' # Path to detectionsdetpath.format(classname) should produce the de
DOTA数据集介绍
m0_56896669的博客
11-23 1859
DOTA数据集介绍
YOLO官方自带的数据集Dotav1，直接训练
最新发布
qq_37040743的博客
06-21 213
YOLO官方自带Dotav1的配置文件，直接加载,等待下载完即可使用，使用自己的电脑下载会比较慢，如果用服务器下载速度为270mb/s(kaggle亲自测试)。
【深度学习】DOTA-v1.5遥感目标检测数据集
Hana
07-18 6583
利用DOTA-v1.5训练YOLOv5About数据数据集工具包图片可视化图片切割 About数据 数据集官网 ：https://captain-whu.github.io/DOAI2019/dataset.html 数据集工具包 ：https://github.com/CAPTAIN-WHU/DOTA_devkit DOTA-v1.5数据集一共有16个类别，包含40万个带注释的对象实例。 训练集：1141张 验证集：458张 16个类别分别是：飞机，轮船，储罐，棒球场，网球场，篮球场，地面跑道，港口，桥梁
【DOTA】目标检测数据集介绍与使用
胡侃有料的博客
02-14 1万+
DOTA 数据集简单介绍数据集包含来自不同的传感器和平台的航拍图。每张图像的像素尺寸在 800 × 800 到 20,000 × 20,000 之间，其中包含不同大小、方向和形状的物体。时间类别图片数实例数图片尺寸V1.02018152806188, 282800～20，000V1.52019162806403,318800～20，000V2.020211811,2681,793,658800～20，000train: 1411张val: 458张。
DOTA V1.5数据集：基于航空图像的大规模目标检测数据集
FL1768317420的博客
03-09 3656
目标检测是计算机视觉任务中一个具有挑战性的方向。尽管在过去十年中目标检测在自然场景中有了重大突破，但是在航拍图像的进展是十分缓慢的，这不仅是因为地球表面相同类别物体的规模、方向和形状有着巨大的差异，而且还因为缺少航拍影像中目标对象的标注信息。为了推进“Earth Vision”（也称为“地球观测和遥感”）中目标检测的研究，我们提出了用于航拍影像中用于目标检测的大规模数据集（DOTA）。
＜数据集＞DOTA v2.0遥感航拍目标识别数据集＜目标检测＞
09-06
YOLO与VOC格式的DOTA v2.0遥感航拍目标识别数据集，适用于YOLO系列、Faster Rcnn、SSD等模型训练，包含15类交通及建筑等目标，图片数量2423，类别：['plane', 'baseball-diamond', 'bridge', 'ground-track-field','...
＜数据集＞DOTA v1.0遥感航拍目标识别数据集＜目标检测＞
09-06
YOLO与VOC格式的DOTA v1.0遥感航拍目标识别数据集，适用于YOLO系列、Faster Rcnn、SSD等模型训练，包含15类交通及建筑等目标，图片数量1869，类别：['plane', 'baseball-diamond', 'bridge', 'ground-track-field', ...
DOTA v1.5遥感航拍目标识别数据集
09-02
YOLO与VOC格式的DOTA v1.5遥感航拍目标识别数据集，适用于YOLO系列、Faster Rcnn、SSD等模型训练，包含15类目标：['plane', 'baseball-diamond', 'bridge', 'ground-track-field','small-vehicle', 'large-vehicle',...
DOTAv1.0遥感航拍目标检测数据集VOC+YOLO格式1713张16类别.zip
09-22
此外dota数据集目标都是小目标，因此如果训练后map非常低属于正常现象，因为小目标很难训练而且很难检测，这个是业界公认难点。 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及...
生成DOTA格式的数据集
qq_42948594的博客
06-04 3168
生成dota数据集需要该工具箱。下载安装好后，配置路径下的文件。 根据需求更改参数。更改文件中的dota1_0中的类别现在有xywhθ标注的数据集，要转换成dota标注的格式 使用如下代码，路径需要自己修改： 是JPEGImages中的图像，文件内容如下： 最后生成如下的文件 运行文件，得到最后生成结果： over！...
关于DOTA斜框数据格式数据处理（数据格式转换、还原框）
门前大橋下丶
04-10 338
【代码】关于DOTA斜框数据格式数据处理（数据格式转换、还原框）
DOTA数据集介绍（论文A Large-scale Dataset for Object Detection in Aerial Images）
糯米丸子TAT的博客
11-11 1万+
HBB：horizontal Bounding Boxes水平边界框 OBB：oriented Bounding Boxes倾斜边界框 1 introduction （1） 航空影像目标检测与传统目标检测的区别 航空影像目标尺寸差异很大 航空影像中很多小目标密集分布，且类别不均衡 航空影像中的目标可能是任意方向的 除此之外，数据集的问题也是航空影像目标检测面临的挑战之一。 （2） 主要内容 本研究介绍了一个大型的目标检测数据集。该数据集包含了286张来自不同传感器和平台的航空影像...
基于dota的目标检测（旋转框）论文阅读Oriented Object Detection in Aerial Images with Box Boundary-Aware Vectors
weixin_45822011的博客
11-16 3051
基于dota的目标检测（旋转框）|论文阅读Oriented Object Detection in Aerial Images with Box Boundary-Aware Vectors 文章目录基于dota的目标检测（旋转框）|论文阅读Oriented Object Detection in Aerial Images with Box Boundary-Aware Vectors1.Introducion2 Approach具体结构剖析：heatmapoffsetBox ParametersOrie
【目标检测】数据增强：DOTA数据集
热门推荐
兴趣使然的创作者
09-24 1万+
DOTA数据集全称：Dataset for Object deTection in Aerial imagesDOTA数据集v1.0共收录2806张4000 × 4000的图片，总共包含188282个目标。
使用Python将DOTA数据集的格式转换成VOC2007数据集的格式
大彤小忆的博客
12-19 9512
这里写目录标题一、VOC2007数据集二、DOTA数据集 一、VOC2007数据集   VOC2007数据集的文件结构如下图所示。   其中，文件夹Annotations中存放的是图像的标注信息的xml文件，命名从000001.xml开始；文件夹ImageSets中存放的是图像划分的集合的txt文件，目标检测任务对应的train、val、trainval、test数据集的txt文件存放在Main文件夹中；文件夹JPEGImages中存放的是所有图片的jpg文件，命名从000001.jpg开始；文件夹Seg
如何计算DOTA格式数据集的Recall和Precision
m0_67947599的博客
09-16 1234
在 DOTA 格式的数据集中，包含多种目标类型（如车辆、建筑物、桥梁等），不同类型目标的检测性能评估时，Recall（召回率） 和Precision（精确率） 是两个最常用的评价指标。本文将介绍如何基于 DOTA 数据集计算这些指标，并展示一段通用的代码来帮助大家进行精度评估。
遥感领域旋转目标检测OBB记录
weixin_40493382的博客
04-01 6928
首先，请允许我说明一下，笔者也是一名目标检测的小白（研一的小萌新）。前些日子，我敬爱的导师让我根据自己理解总结一下目前自己对于遥感领域目标检测相关的知识，于是便有了以下内容。如果你恰好读到这篇文章，发现文章有问题或者你有自己的见解，欢迎留言！ ------------------------------------------------------------------------------------------------------------------------------- ..
yolo 目标检测 DOTA-2数据集
03-25
<think>好的，用户想使用YOLO在DOTA-2数据集上进行目标检测。首先，我需要确认DOTA-2数据集的特点，它主要用于航空图像中的目标检测，包含大量小目标和旋转边界框。用户可能需要处理这些特殊需求。 接下来，用户提到的YOLO格式数据集引用[^1]中提到有一个处理过的DOTA数据集，适合YOLO模型。应该建议用户先获取这个预处理的数据集，可能已经转换了标签格式，节省时间。但用户可能不知道如何转换自己的数据，所以需要说明转换步骤，包括旋转框的处理，可能需要参考X-AnyLabeling工具[^2]进行标注和格式转换。 然后，模型选择方面，YOLOv8或YOLOv5比较流行，支持旋转框的版本可能更适合DOTA-2。需要提醒用户注意模型是否支持旋转检测，否则可能需要调整模型结构或使用特定分支。 训练配置部分，要强调调整输入分辨率以适应小目标，使用数据增强策略，比如马赛克增强，以及多尺度训练。另外，由于DOTA类别较多，需检查类别数是否正确设置。 评估阶段，用户可能需要使用DOTA官方工具，或者YOLO自带的评估指标，但要注意旋转框的评估可能需要特殊处理。最后，部署应用时，要考虑后处理步骤，比如NMS的参数调整。 用户可能遇到的问题包括数据格式转换困难、模型不支持旋转框、训练时的小目标检测效果差等，需要针对这些给出建议，比如使用特定工具或调整超参数。同时，确保引用提供的资源链接，方便用户直接访问。</think>以下是使用YOLO实现DOTA-2数据集目标检测的完整步骤： ### 一、数据集准备 1. **下载DOTA-2数据集** - 原始数据集包含航空图像和旋转边界框标注 - 推荐使用预处理的YOLO格式DOTA数据集，已转换为标准YOLO格式： ```bash git clone https://gitcode.com/Open-source-documentation-tutorial/dde28 ``` 2. **数据格式转换** - 若需自定义处理，使用X-AnyLabeling工具[^2]进行标注格式转换： ```python # 示例转换代码 from anylabeling.services.auto_labeling import RotatedRectTransformer converter = RotatedRectTransformer() converter.dota_to_yolo("dota_annots.txt", "yolo_labels/") ``` ### 二、模型选择与配置 1. **选择YOLO版本** - 推荐YOLOv8-OBB（旋转框检测分支）或YOLOv5 - 安装命令： ```bash pip install ultralytics # YOLOv8 ``` 2. **模型配置文件** - 修改$data.yaml$： ```yaml train: ../train/images val: ../val/images nc: 18 # DOTA-2类别数 names: ['plane', 'ship', ...] # 完整类别列表 ``` ### 三、训练配置 1. **超参数设置** - 推荐配置： ```python img_size = 1024 # 航空图像需要更大分辨率 batch_size = 8 # 根据GPU显存调整 epochs = 300 ``` 2. **数据增强** - 在$hyp.yaml$中添加： ```yaml mosaic: 0.5 # 马赛克增强 mixup: 0.2 # 混合增强 degrees: 45 # 旋转增强 ``` ### 四、训练执行 ```python from ultralytics import YOLO model = YOLO('yolov8n-obb.yaml') # 旋转框检测模型 results = model.train( data='data.yaml', imgsz=1024, epochs=300, batch=8, device='0' # 指定GPU ) ``` ### 五、评估与推理 1. **性能评估** ```python metrics = model.val() print(f"mAP@0.5: {metrics.map50}") ``` 2. **推理预测** ```python results = model.predict("test_images/", save=True) ``` ### 六、部署优化 1. **模型导出** ```python model.export(format="onnx", opset=12) ``` 2. **TensorRT加速** ```bash trtexec --onnx=yolov8n-obb.onnx --saveEngine=yolov8n-obb.trt ```
评论 11
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

能量鸣新

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值