Descripción general de conjuntos de datos de cuadros delimitadores orientados (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

Entrenar un modelo de detección de objetos preciso con cuadros delimitadores orientados (OBB) requiere un conjunto de datos exhaustivo. Esta guía explica los diversos formatos de conjuntos de datos OBB compatibles con los modelos Ultralytics YOLO, ofreciendo información sobre su estructura, aplicación y métodos para conversiones de formatos.

Formatos de conjuntos de datos OBB admitidos#

Formato YOLO OBB#

El formato YOLO OBB designa los cuadros delimitadores mediante sus cuatro puntos de esquina con coordenadas normalizadas entre 0 y 1. Sigue este formato:

class_index x1 y1 x2 y2 x3 y3 x4 y4

Internamente, YOLO procesa las pérdidas y las salidas en el formato xywhr, el cual representa el punto central (xy), el ancho, la altura y la rotación del bounding box.

Un ejemplo de archivo de etiquetas *.txt para la imagen anterior, que contiene un objeto de clase 0 en formato OBB, podría tener el siguiente aspecto:

0 0.780811 0.743961 0.782371 0.74686 0.777691 0.752174 0.776131 0.749758

Formato YAML del dataset#

El framework de Ultralytics utiliza un formato de archivo YAML para definir la configuración del conjunto de datos y del modelo para entrenar modelos OBB. Aquí hay un ejemplo del formato YAML utilizado para definir un conjunto de datos OBB:

# 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

Cada uno de train, val y test acepta un directorio, una lista de directorios o un archivo *.txt que lista una ruta de imagen por línea (las rutas que empiezan por ./ se resuelven de manera relativa al archivo *.txt). Un archivo *.txt es útil para entrenar en un subconjunto de un directorio, omitir imágenes sin etiquetar o combinar imágenes de múltiples fuentes en una sola partición.

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

Uso#

Para entrenar un modelo usando estos formatos OBB:

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)

Conjuntos de datos compatibles#

Actualmente, se admiten los siguientes conjuntos de datos con cuadros delimitadores orientados:

• DOTA-v1: La primera versión del conjunto de datos DOTA, que proporciona un conjunto completo de imágenes aéreas con cuadros delimitadores orientados para la detección de objetos.
• DOTA-v1.5: Una versión intermedia del conjunto de datos DOTA, que ofrece anotaciones adicionales y mejoras con respecto a DOTA-v1 para tareas mejoradas de detección de objetos.
• DOTA-v2: DOTA (Un conjunto de datos a gran escala para la detección de objetos en imágenes aéreas) versión 2, hace hincapié en la detección desde perspectivas aéreas y contiene cuadros delimitadores orientados con 1,7 millones de instancias y 11.268 imágenes.
• DOTA8: Un subconjunto pequeño de 8 imágenes del conjunto de datos DOTA completo, adecuado para probar flujos de trabajo y comprobaciones de integración continua (CI) del entrenamiento OBB en el repositorio ultralytics.
• DOTA8 Multispectral: Un subconjunto TIFF de 8 imágenes y 10 canales para probar el entrenamiento de OBB multiespectral en Ultralytics Platform.
• DOTA128: Un subconjunto de 128 imágenes del conjunto de datos DOTA con todas las imágenes en la carpeta train (utilizada tanto para train como para val), que proporciona un buen equilibrio entre tamaño y diversidad para probar modelos OBB.

Incorpora tu propio conjunto de datos OBB#

Para aquellos que buscan introducir sus propios conjuntos de datos con cuadros delimitadores orientados, asegúrate de la compatibilidad con el "formato YOLO OBB" mencionado anteriormente. Convierte tus anotaciones a este formato requerido y detalla las rutas, las clases y los nombres de las clases en un archivo de configuración YAML correspondiente.

Convertir formatos de etiquetas#

Formato del conjunto de datos DOTA al formato YOLO OBB#

La transición de etiquetas desde el formato del conjunto de datos DOTA al formato YOLO OBB se puede lograr con este script:

from ultralytics.data.converter import convert_dota_to_yolo_obb

convert_dota_to_yolo_obb("path/to/DOTA")

Este mecanismo de conversión es fundamental para los conjuntos de datos en formato DOTA, garantizando la alineación con el formato OBB de Ultralytics YOLO.

Es imperativo validar la compatibilidad del conjunto de datos con tu modelo y cumplir con las convenciones de formato necesarias. Los conjuntos de datos estructurados adecuadamente son fundamentales para entrenar modelos eficientes de detección de objetos con cuadros delimitadores orientados.

FAQ#