Übersicht über Datensätze mit orientierten Begrenzungsboxen (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 Begrenzungsboxen (OBB) erfordert einen sorgfältig erstellten Datensatz. Dieser Leitfaden erläutert die verschiedenen OBB-Datensatzformate, die mit Ultralytics YOLO-Modellen kompatibel sind, und gibt Einblicke in deren Struktur, Anwendung und Methoden zur Formatkonvertierung.

Unterstützte OBB-Datensatzformate#

YOLO-OBB-Format#

Das YOLO-OBB-Format definiert Begrenzungsboxen anhand ihrer 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 der Begrenzungsbox darstellt.

Eine Beispieldatei mit Beschriftungen im Format *.txt für das obige Bild, die ein Objekt der Klasse 0 im OBB-Format enthält, könnte wie folgt 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 das YAML-Dateiformat, um den Datensatz und die Modellkonfiguration für das Training von OBB-Modellen zu definieren. 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

Jede der Dateien train, val und test akzeptiert ein Verzeichnis, eine Liste von Verzeichnissen oder eine *.txt-Datei, die pro Zeile einen Bildpfad 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 beschriftete Bilder zu überspringen oder Bilder aus mehreren Quellen zu einem Datensatzabschnitt 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 mit diesen OBB-Formaten:

from ultralytics import YOLO

# Load a pretrained YOLO26n-OBB model
model = YOLO("yolo26n-obb.pt")

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

Unterstützte Datensätze#

Aktuell werden die folgenden Datensätze mit orientierten Bounding Boxes unterstützt. Die meisten dieser Datensätze werden auch auf der Ultralytics Platform gehostet, wo du die Bilder und Annotationen durchsuchen, Datensatzstatistiken anzeigen und die Datensätze für das Cloud-Training klonen kannst.

• DOTA-v1: Die erste Version des DOTA-Datensatzes mit einer umfassenden Sammlung von Luftbildern mit orientierten Begrenzungsboxen zur Objekterkennung.
• DOTA-v1.5: Eine Zwischenversion des DOTA-Datensatzes mit zusätzlichen Annotationen und Verbesserungen gegenüber DOTA-v1 für anspruchsvollere Objekterkennungsaufgaben.
• DOTA-v2: Version 2 von DOTA (ein groß angelegter Datensatz zur Objekterkennung in Luftbildern) legt den Schwerpunkt auf die Erkennung aus der Luft und enthält orientierte Begrenzungsboxen für 1,7 Millionen Objekte in 11.268 Bildern.
• DOTA8: Eine kleine Teilmenge des vollständigen DOTA-Datensatzes mit 8 Bildern, die sich zum Testen von Arbeitsabläufen und Prüfungen der kontinuierlichen Integration (CI) für das OBB-Training im Repository ultralytics eignet.
• DOTA8 Multispectral: Eine TIFF-Teilmenge mit 8 Bildern und 10 Kanälen zum Testen des multispektralen OBB-Trainings auf der Ultralytics Platform.
• DOTA128: Eine Teilmenge des DOTA-Datensatzes mit 128 Bildern, wobei sich alle Bilder im Ordner train befinden (für train und val verwendet werden), und die zum Testen von OBB-Modellen ein gutes Gleichgewicht zwischen Größe und Vielfalt bietet.

Eigenen OBB-Datensatz integrieren#

Wenn du eigene Datensätze mit orientierten Begrenzungsboxen verwenden möchtest, stelle die Kompatibilität mit dem oben erwähnten „YOLO-OBB-Format“ sicher. Konvertiere deine Annotationen in dieses erforderliche Format und gib die Pfade, Klassen und Klassennamen in einer entsprechenden YAML-Konfigurationsdatei an.

Beschriftungsformate konvertieren#

DOTA-Datensatzformat in YOLO-OBB-Format#

Du kannst Beschriftungen aus dem DOTA-Datensatzformat mit diesem Skript in das YOLO-OBB-Format konvertieren:

from ultralytics.data.converter import convert_dota_to_yolo_obb

convert_dota_to_yolo_obb("path/to/DOTA")

Dieser Konvertierungsmechanismus ist für Datensätze im DOTA-Format entscheidend, da er die Kompatibilität mit dem Ultralytics YOLO-OBB-Format sicherstellt.

Es ist unerlässlich, die Kompatibilität des Datensatzes mit deinem Modell zu überprüfen und die erforderlichen Formatkonventionen einzuhalten. Eine korrekt strukturierte Datensatzgrundlage ist entscheidend für das Training effizienter Objekterkennungsmodelle mit orientierten Begrenzungsboxen.

FAQ#