DOTA8-Datensatz#

8

dota8

ultralytics

publicOBB

DOTA8 is Ultralytics' minimal oriented-box smoke-test set: four training and four validation aerial images sampled from DOTA. It uses the canonical 15-class taxonomy and real rotated quadrilaterals for rapid validation of OBB loading, augmentation, training, and export.

515 classes1 MBSep 2, 2026

planeshipstorage tankbaseball diamond+11

Einführung#

Der DOTA8-Datensatz von Ultralytics ist ein kleiner, aber vielseitiger Datensatz zur orientierten Objekterkennung. Er besteht aus den ersten 8 Bildern des DOTAv1-Splits, davon 4 zum Trainieren und 4 zur Validierung. Dieser Datensatz eignet sich ideal zum Testen und Debuggen von Objekterkennungsmodellen sowie zum Experimentieren mit neuen Erkennungsansätzen. Mit 8 Bildern ist er klein genug, um leicht handhabbar zu sein, und zugleich vielfältig genug, um Trainingspipelines auf Fehler zu prüfen und vor dem Training mit größeren Datensätzen als Plausibilitätsprüfung zu dienen.

Datensatzstruktur#

• Bilder: 8 Luftbildausschnitte (4 zum Trainieren, 4 zur Validierung) aus DOTAv1.

• Klassen: Übernimmt die 15 Kategorien von DOTAv1, darunter Flugzeug, Schiff und großes Fahrzeug.

• Labels: YOLO-formatierte orientierte Begrenzungsrahmen, die neben jedem Bild als .txt-Dateien gespeichert werden.

• Download: 1 MB; wird beim ersten Training automatisch von den GitHub-Ressourcen von Ultralytics heruntergeladen.

• Empfohlene Verzeichnisstruktur:

  datasets/dota8/
  ├── images/
  │   ├── train/
  │   └── val/
  └── labels/
      ├── train/
      └── val/

Sieh dir DOTA8 auf der Ultralytics Platform an, um die Luftbildausschnitte mit eingeblendeten orientierten Begrenzungsrahmen zu durchsuchen, die Klassenverteilung und Annotations-Heatmaps im Tab Charts anzusehen und den Datensatz zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

YAML-Datei des Datensatzes#

Eine YAML-Datei legt die Datensatzkonfiguration fest. Sie enthält Informationen zu den Pfaden, Klassen und weiteren relevanten Angaben des Datensatzes. Beim DOTA8-Datensatz wird die Datei dota8.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml gepflegt.

# 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

Verwendung#

Um ein YOLO26n-obb-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem DOTA8-Datensatz zu trainieren, kannst du die folgenden Codebeispiele verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite zum Training des Modells.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-obb.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Das Modell trainieren
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Beispielbilder und Annotationen#

Hier siehst du einige Beispielbilder aus dem DOTA8-Datensatz mit den zugehörigen Annotationen:

• Mosaikbild: Dieses Bild zeigt einen Trainingsbatch aus mosaikartig kombinierten Datensatzbildern. Beim Mosaikverfahren werden während des Trainings mehrere Bilder zu einem einzigen Bild kombiniert, um die Vielfalt der Objekte und Szenen in jedem Trainingsbatch zu erhöhen. Dadurch kann das Modell besser auf unterschiedliche Objektgrößen, Seitenverhältnisse und Kontexte generalisieren.

Das Beispiel veranschaulicht die Vielfalt und Komplexität der Bilder im DOTA8-Datensatz sowie die Vorteile des Mosaikverfahrens während des Trainings.

Zitate und Danksagungen#

Wenn du den DOTA-Datensatz für deine Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Veröffentlichung:

@article{9560031,
  author={Ding, Jian and Xue, Nan and Xia, Gui-Song and Bai, Xiang and Yang, Wen and Yang, Michael and Belongie, Serge and Luo, Jiebo and Datcu, Mihai and Pelillo, Marcello and Zhang, Liangpei},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  title={Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges},
  year={2022},
  volume={44},
  number={11},
  pages={7778-7796},
  doi={10.1109/TPAMI.2021.3117983}
}

Unser besonderer Dank gilt dem Team hinter den DOTA-Datensätzen für die bemerkenswerte Arbeit bei der Zusammenstellung dieses Datensatzes. Eine umfassende Erläuterung des Datensatzes und seiner Besonderheiten findest du auf der offiziellen DOTA-Website.

Häufig gestellte Fragen#