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

Einleitung#

Ultralytics DOTA8 ist ein kleiner, aber vielseitiger Datensatz zur Erkennung orientierter Objekte, der aus den ersten 8 Bildern des aufgeteilten DOTAv1-Datensatzes besteht: 4 für das Training und 4 für die Validierung. Dieser Datensatz eignet sich ideal zum Testen und Debuggen von Objekterkennungsmodellen oder zum Experimentieren mit neuen Erkennungsansätzen. Mit 8 Bildern ist er klein genug für eine einfache Verwaltung und zugleich vielfältig genug, um Trainingspipelines auf Fehler zu prüfen und vor dem Training größerer Datensätze als Plausibilitätsprüfung zu dienen.

Datensatzstruktur#

• Bilder: 8 Luftbildkacheln (4 für das Training, 4 für die Validierung) aus DOTAv1.

• Klassen: Übernimmt die 15 Kategorien von DOTAv1, darunter Flugzeuge, Schiffe und große Fahrzeuge.

• Beschriftungen: Orientierte Begrenzungsboxen im YOLO-Format, die als .txt-Dateien neben jedem Bild gespeichert werden.

• Download: 1 MB, der beim ersten Training automatisch aus den GitHub-Ressourcen von Ultralytics abgerufen wird.

• Empfohlene Struktur:

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

Erkunde DOTA8 auf der Ultralytics Platform, um die Luftbildkacheln mit ihren Überlagerungen der orientierten Begrenzungsboxen zu durchsuchen, die Klassenverteilung und Beschriftungs-Heatmaps im Tab Charts anzuzeigen und den Datensatz zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Dataset-YAML#

Eine YAML-Datei definiert die Konfiguration des Datensatzes. 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 verwaltet.

# 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 Codeausschnitte verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite zum Training des Modells.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Beispielbilder und Annotationen#

Hier findest du einige Beispiele für Bilder aus dem DOTA8-Datensatz zusammen mit den zugehörigen Beschriftungen:

• Mosaikbild: Dieses Bild zeigt einen Trainings-Batch, der aus zu einem Mosaik zusammengesetzten Datensatzbildern besteht. Das Mosaikverfahren wird während des Trainings eingesetzt und kombiniert mehrere Bilder zu einem einzigen Bild, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches 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 der Verwendung von Mosaik-Augmentierung während des Trainings.

Zitate und Danksagungen#

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

@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 seine bemerkenswerte Arbeit bei der Zusammenstellung dieses Datensatzes. Eine ausführliche Beschreibung des Datensatzes und seiner Besonderheiten findest du auf der offiziellen DOTA-Website.

FAQ#