Übersicht zu Datensätzen mit orientierten Begrenzungsrahmen (OBB)#

8

DOTA8 Multispectral

ultralytics

publicOBB

DOTA8 Multispectral contains 8 genuine 10-channel TIFF aerial images with 133 reviewed oriented bounding boxes across the canonical 15-class DOTA taxonomy. All 17 source annotations extending outside image bounds were clipped without dropping any boxes.

15 classes36 MBAug 24, 2026

planeshipstorage tankbaseball diamond+11

aerialobbremote-sensing+3

Das Trainieren eines präzisen Objekterkennungs-Modells mit orientierten Bounding-Boxen (OBB) erfordert einen sorgfältigen Datensatz. Dieser Leitfaden erklärt die verschiedenen OBB-Datensatzformate, die mit Ultralytics YOLO-Modellen kompatibel sind, und gibt Einblicke in deren Struktur, Anwendung und Methoden für Formatkonvertierungen.

Unterstützte OBB-Datensatzformate#

YOLO OBB-Format#

Das YOLO OBB-Format definiert Begrenzungsrahmen durch ihre vier Eckpunkte mit Koordinaten, die zwischen 0 und 1 normalisiert sind. Es folgt diesem Format:

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 Rotation des Begrenzungsrahmens darstellt.

Ein Beispiel für eine *.txt-Label-Datei für das obige Bild, die ein Objekt der Klasse 0 im OBB-Format enthält, könnte so aussehen:

0 0.780811 0.743961 0.782371 0.74686 0.777691 0.752174 0.776131 0.749758

Datensatz-YAML-Format#

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

# 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

Jedes der Formate train, val und test akzeptiert ein Verzeichnis, eine Liste von Verzeichnissen oder eine *.txt-Datei, die einen Bildpfad pro Zeile auflistet (Pfadangaben beginnend mit ./ werden relativ zur *.txt-Datei aufgelöst). Eine *.txt-Datei ist nützlich, um auf einer Teilmenge eines Verzeichnisses zu trainieren, unbeschriftete Bilder zu überspringen oder Bilder aus mehreren Quellen zu einem Split zusammenzuführen.

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 unter Verwendung dieser OBB-Formate:

from ultralytics import YOLO

# Create a new YOLO26n-OBB model from scratch
model = YOLO("yolo26n-obb.yaml")

# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)

Unterstützte Datensätze#

Derzeit werden die folgenden Datensätze mit orientierten Begrenzungsrahmen unterstützt:

• DOTA-v1: Die erste Version des DOTA-Datensatzes, die einen umfassenden Satz von Luftbildern mit orientierten Bounding-Boxen für die Objekterkennung bereitstellt.
• DOTA-v1.5: Eine Zwischenversion des DOTA-Datensatzes, die zusätzliche Annotationen und Verbesserungen gegenüber DOTA-v1 für erweiterte Objekterkennungsaufgaben bietet.
• DOTA-v2: DOTA (A Large-scale Dataset for Object Detection in Aerial Images) Version 2 legt den Schwerpunkt auf die Erkennung aus Luftperspektiven und enthält orientierte Bounding-Boxen mit 1,7 Millionen Instanzen und 11.268 Bildern.
• DOTA8: Eine kleine Teilmenge des vollständigen DOTA-Datensatzes mit 8 Bildern, die sich zum Testen von Arbeitsabläufen und Continuous Integration (CI)-Prüfungen des OBB-Trainings im ultralytics-Repository eignet.
• DOTA8 Multispectral: Ein aus 8 Bildern und 10 Kanälen bestehender TIFF-Datensatz für das Testen des multispektralen OBB-Trainings auf der Ultralytics Platform.
• DOTA128: Eine Teilmenge des DOTA-Datensatzes mit 128 Bildern, bei der sich alle Bilder im Ordner „train“ befinden (w sowohl für train als auch für val verwendet), was eine gute Balance zwischen Größe und Vielfalt zum Testen von OBB-Modellen bietet.

Einbindung deines eigenen OBB-Datensatzes#

Wenn du deine eigenen Datensätze mit orientierten Begrenzungsrahmen einbinden möchtest, stelle die Kompatibilität mit dem oben genannten "YOLO OBB-Format" sicher. Konvertiere deine Annotationen in dieses erforderliche Format und gib die Pfade, Klassen und Klassennamen in einer entsprechenden YAML-Konfigurationsdatei an.

Labelformate konvertieren#

DOTA-Datensatzformat in YOLO OBB-Format#

Die Umstellung der Labels vom DOTA-Datensatzformat auf das YOLO OBB-Format kann mit diesem Skript erreicht werden:

from ultralytics.data.converter import convert_dota_to_yolo_obb

convert_dota_to_yolo_obb("path/to/DOTA")

Dieser Konvertierungsmechanismus ist maßgeblich für Datensätze im DOTA-Format und stellt die Kompatibilität mit dem Ultralytics YOLO OBB-Format sicher.

Es ist zwingend erforderlich, die Kompatibilität des Datensatzes mit deinem Modell zu validieren und die notwendigen Formatkonventionen einzuhalten. Korrekt strukturierte Datensätze sind entscheidend für das Training effizienter Objekterkennungsmodelle mit orientierten Begrenzungsrahmen.

FAQ#