【CV数据集】DIOR遥感目标检测数据集（含处理好的YOLO、COCO、VOC格式和相关配置文件下载链接）

DIOR是一个用于光学遥感图像目标检测的大规模基准数据集。数据集包含23463个图像和192472个实例，涵盖20个对象类。这20个对象类是飞机、机场、棒球场、篮球场、桥梁、烟囱、水坝、高速公路服务区、高速公路收费站、港口、高尔夫球场、地面田径场、天桥、船舶、体育场、储罐、网球场、火车站、车辆和风磨。

我按照7：1：2的比例划分了训练集、验证集和测试集

通过网盘分享的文件：DIOR.rar
链接: https://pan.baidu.com/s/1sGfzL4Ncq-OdlH_9VSYviQ?pwd=gnsb 提取码: gnsb
–来自百度网盘超级会员v7的分享

这是处理好的DIOR数据集的YOLO、COCO和VOC格式的数据集文件的网盘链接

如果使用YOLO系列算法进行训练和测试需要创建DIOR.yaml文件，这个文件我在网盘文件中也有

# 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: E:\PycharmProject\Datasets\CV\DIOR # dataset root dir
train: images/train # train images (relative to 'path')  16424 images
val: images/val # val images (relative to 'path')  2346 images
test: images/test # test images (optional)  4693 images

nc: 20
# Classes
names:
  0: airplane
  1: airport
  2: baseballfield
  3: basketballcourt
  4: bridge
  5: chimney
  6: dam
  7: Expressway-Service-area
  8: Expressway-toll-station
  9: golffield
  10: groundtrackfield
  11: harbor
  12: overpass
  13: ship
  14: stadium
  15: storagetank
  16: tenniscourt
  17: trainstation
  18: vehicle
  19: windmill

需要注意的是这里唯一需要修改的就是path，这是你下载了我处理好的DIOR数据集文件的存放路径

如果是需要使用mmdetection进行训练和推理

我这里也提供一个样例

# 新配置继承了基本配置，并做了必要的修改
_base_ = 'tood_r50_fpn_1x_coco.py'


# 我们还需要更改 head 中的 num_classes 以匹配数据集中的类别数
model = dict(
    bbox_head=dict(
        num_classes=20,
    )
)

# 修改数据集相关配置
# data_root 指向包含 VisDrone2019-DET-train, VisDrone2019-DET-val 等子目录的父目录
data_root = "E:/PycharmProject/Datasets/CV/DIOR/"
metainfo = {
    'classes': ('airplane', 'airport', 'baseballfield', 'basketballcourt', 'bridge', 'chimney','dam',
    'Expressway-Service-area','Expressway-toll-station','golffield','golffield','groundtrackfield','harbor',
    'overpass', 'ship','stadium','storagetank','tenniscourt','trainstation','vehicle','windmill'),
    # 'palette': [
    #     (220, 20, 60),
    # ]
}
train_dataloader = dict(
    batch_size=8,
    num_workers=4,
    dataset=dict(
        data_root=data_root,
        metainfo=metainfo,
        ann_file='Annotations/train.json',  # 相对于 data_root 的路径
        data_prefix=dict(img=''))) # 相对于 data_root 的路径
val_dataloader = dict(
    batch_size=8,
    num_workers=4,
    dataset=dict(
        data_root=data_root,
        metainfo=metainfo,
        ann_file='Annotations/val.json',    # 相对于 data_root 的路径
        data_prefix=dict(img='')))   # 相对于 data_root 的路径
test_dataloader = dict(
    batch_size=8,
    num_workers=4,
    dataset=dict(
        data_root=data_root,
        metainfo=metainfo,
        ann_file='Annotations/test.json', # 相对于 data_root 的路径
        data_prefix=dict(img=''))) # 相对于 data_root 的路径

# 修改评价指标相关配置
# 注意：评价时 ann_file 需要是完整路径或相对于执行命令时的路径，这里拼接 data_root
val_evaluator = dict(ann_file=data_root + 'Annotations/val.json')
test_evaluator = dict(ann_file=data_root + 'Annotations/test.json')

# 使用预训练的模型权重来做初始化，可以提高模型性能
load_from = 'model_weight/tood_r50_fpn_1x_coco_20211210_103425-20e20746.pth'

#输出记录
default_hooks = dict(logger=dict(type='LoggerHook',interval=1))