遥感图像目标检测数据集-DOTA数据集

DOTA数据集(v1.0版本和v1.5版本)，训练集1411张，验证集458张，测试集若干，共16种类别。数据集图片大小不一，需要进行裁剪，可设置裁剪重叠大小以及裁剪图片大小。此处按照默认参数裁剪，重叠200像素，大小1024×1024，删除空白标签后得到训练集11119张，验证集3626张，提供yolo归一化txt格式标签。

数据集名称

DOTA数据集 v1.0 版本和 v1.5 版本

数据集概述

DOTA数据集（Detection of Objects from TOp-down perspectives）是一个专为遥感图像中的目标检测设计的大规模数据集。该数据集涵盖了16种不同的类别，包括飞机、船舶、棒球场、桥、车辆、风力发电机等，适用于遥感图像中的小目标检测任务。DOTA数据集因其广泛的类别和多样化的图像背景，成为了遥感图像分析领域的重要基准之一。

数据集特点

类别丰富：包含16种不同类型的遥感目标，涵盖了从大型结构（如桥梁、棒球场）到小型移动物体（如飞机、车辆）。
图像多样性：图像大小不一，来源于不同的视角和地理位置，提供了丰富的图像背景和光照条件。
精细标注：每个目标都被仔细标注，提供了准确的位置信息。
数据处理：为了便于处理和训练模型，数据集中的图像按照默认参数裁剪成1024×1024像素大小，重叠200像素，去除了空白标签。
标签格式：提供了YOLO格式的归一化标签文件，方便用户直接导入现有的YOLO训练流程。

数据集构成

类别：
- Plane（飞机）
- Ship（船）
- Storage-tank（储油罐）
- Baseball-diamond（棒球场）
- Tennis-court（网球场）
- Bridge（桥）
- Ground-track-field（田径场）
- Large-vehicle（大型车辆）
- Small-vehicle（小型车辆）
- Helicopter（直升机）
- Swiming-pool（游泳池）
- Roundabout（环形交叉路口）
- Soccer-ball-field（足球场）
- Container-crane（集装箱起重机）
- Wind-mill（风力发电机）
- Harbor（港口）

原始图像数量：
- 训练集：1411张
- 验证集：458张
- 测试集：若干
裁剪后图像数量：
- 训练集：11119张
- 验证集：3626张
图像大小：1024×1024像素，重叠200像素
标签格式：YOLO归一化txt格式

数据集用途

目标检测：用于训练和测试遥感图像中的目标检测算法。
遥感分析：在实际应用中，可以用于自动化识别和分类遥感图像中的目标，如城市规划、灾害评估、军事侦察等。
研究与开发：为研究人员提供一个基准数据集，用于比较不同算法的效果。
教育与培训：作为教学资源，帮助学生理解计算机视觉和遥感图像处理的基本概念。

应用案例

城市规划：通过检测建筑物、道路等基础设施，辅助城市规划师制定更合理的规划方案。
环境保护：监测森林砍伐、河流污染等环境问题。
军事侦察：识别和跟踪敌方设施或活动。
灾害响应：快速评估地震、洪水等自然灾害的影响范围。

数据集

示例代码

下面是一个简单的示例代码，展示了如何使用Python加载和预览DOTA数据集中的图像及其YOLO格式的标签信息.

1import os
2import random
3import matplotlib.pyplot as plt
4import numpy as np
5
6# 数据集目录路径
7data_dir = 'path/to/dota_dataset'
8image_dir = os.path.join(data_dir, 'images')
9label_dir = os.path.join(data_dir, 'labels')
10
11# 随机选择一张图像
12image_files = os.listdir(image_dir)
13image_file = random.choice(image_files)
14image_path = os.path.join(image_dir, image_file)
15
16# 加载图像
17image = plt.imread(image_path)
18
19# 加载YOLO标签
20label_file = os.path.splitext(image_file)[0] + '.txt'
21label_path = os.path.join(label_dir, label_file)
22
23with open(label_path, 'r') as f:
24    lines = f.readlines()
25    
26# 解析YOLO标签
27class_names = ['Plane', 'Ship', 'Storage-tank', 'Baseball-diamond', 'Tennis-court', 'Bridge', 
28               'Ground-track-field', 'Large-vehicle', 'Small-vehicle', 'Helicopter', 'Swiming-pool', 
29               'Roundabout', 'Soccer-ball-field', 'Container-crane', 'Wind-mill', 'Harbor']
30
31for line in lines:
32    class_id, x_center, y_center, width, height = map(float, line.strip().split())
33    x_min = int((x_center - width / 2) * image.shape[1])
34    y_min = int((y_center - height / 2) * image.shape[0])
35    x_max = int((x_center + width / 2) * image.shape[1])
36    y_max = int((y_center + height / 2) * image.shape[0])
37    
38    # 在图像上绘制边界框
39    plt.gca().add_patch(plt.Rectangle((x_min, y_min), x_max - x_min, y_max - y_min, edgecolor='r', facecolor='none'))
40    plt.text(x_min, y_min, class_names[int(class_id)], color='r', fontsize=8)
41
42# 绘制图像
43plt.figure(figsize=(10, 10))
44plt.imshow(image)
45plt.axis('off')
46plt.show()