Übersicht über Datensätze für orientierte Begrenzungsrahmen (OBB)#

8

DOTA8 Multispectral

ultralytics

publicOBB

DOTA8 Multispectral is an eight-image oriented-detection utility with genuine 10-channel TIFF aerial inputs. Four training and four validation images pair DOTA's 15-class taxonomy with rotated quadrilaterals for focused multispectral pipeline validation.

15 classes36 MBSep 2, 2026

planeshipstorage tankbaseball diamond+11

aerialobbremote-sensing+3

Das Training eines präzisen Objekterkennungs-modells mit orientierten Begrenzungsrahmen (OBB) erfordert einen umfassenden Datensatz. Dieser Leitfaden erläutert die verschiedenen OBB-Datensatzformate, die mit Ultralytics-YOLO-Modellen kompatibel sind, und gibt Einblicke in ihre Struktur, Anwendung und die Umwandlung zwischen Formaten.

Unterstützte OBB-Datensatzformate#

YOLO-OBB-Format#

Im YOLO-OBB-Format werden Begrenzungsrahmen durch ihre vier Eckpunkte angegeben, deren Koordinaten zwischen 0 und 1 normalisiert sind. Das Format sieht folgendermaßen aus:

class_index x1 y1 x2 y2 x3 y3 x4 y4

Intern verarbeitet YOLO Verluste und Ausgaben im Format xywhr, das den Mittelpunkt (xy), die Breite, die Höhe und die Drehung des Begrenzungsrahmens darstellt.

Eine Labeldatei im Format *.txt für das obige Bild, das ein Objekt der Klasse 0 im OBB-Format enthält, könnte folgendermaßen aussehen:

0 0.780811 0.743961 0.782371 0.74686 0.777691 0.752174 0.776131 0.749758

YAML-Format für Datensätze#

Das Ultralytics-Framework verwendet YAML-Dateien, um den Datensatz und die Modellkonfiguration für das Training von OBB-Modellen festzulegen. Hier ist ein Beispiel für das YAML-Format zur Definition eines OBB-Datensatzes:

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

# DOTA8 dataset (8 images from the DOTAv1 split) 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 (1 MB)

# 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

Für train, val und test kannst du jeweils ein Verzeichnis, eine Liste von Verzeichnissen oder eine *.txt-Datei angeben, die einen Bildpfad pro Zeile enthält (Pfade, die mit ./ beginnen, werden relativ zur Datei *.txt aufgelöst). Eine *.txt-Datei ist nützlich, um mit einer Teilmenge eines Verzeichnisses zu trainieren, nicht annotierte Bilder zu überspringen oder Bilder aus mehreren Quellen in einem Split zusammenzufassen.

path: datasets/dota8 # dataset root
train: train.txt # a directory, a list e.g. [images/a, images/b], or a *.txt file
val: val.txt
names:
  0: plane

Verwendung#

So trainierst du ein Modell mit diesen OBB-Formaten:

from ultralytics import YOLO

# Ein vortrainiertes YOLO26n-OBB-Modell laden
model = YOLO("yolo26n-obb.pt")

# Das Modell mit dem DOTAv1-Datensatz trainieren
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)

Unterstützte Datensätze#

Derzeit werden die folgenden Datensätze mit orientierten Begrenzungsrahmen unterstützt. Die meisten dieser Datensätze sind auch auf der Ultralytics Platform verfügbar. Dort kannst du Bilder und Annotationen durchsuchen, Datensatzstatistiken anzeigen und Datensätze für das Cloud-Training klonen.

• DOTA-v1: Die erste Version des DOTA-Datensatzes mit einer umfassenden Sammlung von Luftbildern und orientierten Begrenzungsrahmen für die Objekterkennung.
• DOTA-v1.5: Eine Zwischenversion des DOTA-Datensatzes mit zusätzlichen Annotationen und Verbesserungen gegenüber DOTA-v1 für anspruchsvollere Objekterkennungsaufgaben.
• DOTA-v2: DOTA (ein groß angelegter Datensatz zur Objekterkennung in Luftbildern), Version 2, legt den Schwerpunkt auf die Erkennung aus der Luft und enthält orientierte Begrenzungsrahmen für 1,7 Millionen Instanzen in 11.268 Bildern.
• DOTA8: Eine kleine Teilmenge des vollständigen DOTA-Datensatzes mit 8 Bildern, geeignet zum Testen von Arbeitsabläufen und für CI-Prüfungen des OBB-Trainings im Repository ultralytics.
• DOTA8 Multispectral: Eine Teilmenge mit 8 Bildern und 10 Kanälen im TIFF-Format, mit der du multispektrales OBB-Training auf der Ultralytics Platform testen kannst.
• DOTA128: Eine Teilmenge des DOTA-Datensatzes mit 128 Bildern, die sich alle im Trainingsordner befinden (und sowohl für das Training als auch für die Validierung verwendet werden). Sie bietet eine gute Balance zwischen Umfang und Vielfalt zum Testen von OBB-Modellen.

Eigenen OBB-Datensatz integrieren#

Wenn du eigene Datensätze mit orientierten Begrenzungsrahmen einbinden möchtest, achte auf die Kompatibilität mit dem oben beschriebenen „YOLO-OBB-Format“. Wandle deine Annotationen in das erforderliche Format um und gib die Pfade, Klassen und Klassennamen in einer entsprechenden YAML-Konfigurationsdatei an.

Label-Formate umwandeln#

DOTA-Datensatzformat in das YOLO-OBB-Format umwandeln#

Mit diesem Skript kannst du Labels aus dem DOTA-Datensatzformat in das YOLO-OBB-Format überführen:

from ultralytics.data.converter import convert_dota_to_yolo_obb

convert_dota_to_yolo_obb("path/to/DOTA")

Dieser Umwandlungsmechanismus ist für Datensätze im DOTA-Format besonders nützlich, da er die Kompatibilität mit dem OBB-Format von Ultralytics YOLO sicherstellt.

Es ist wichtig, die Kompatibilität des Datensatzes mit deinem Modell zu überprüfen und die erforderlichen Formatkonventionen einzuhalten. Eine korrekte Struktur der Datensätze ist entscheidend, um effiziente Objekterkennungsmodelle mit orientierten Begrenzungsrahmen zu trainieren.

Häufig gestellte Fragen#