Dataset DOTA con OBB#

2,806

DOTA v1.5

ultralytics

publicOBB

DOTA v1.5 aerial imagery with 2,806 images and 280,110 reviewed oriented bounding boxes across 16 classes. Source annotations were normalized to valid image bounds; 194 rows were clipped and 86 degenerate rows removed. Provided for research use with attribution to Wuhan University.

16 classes2.7 GBAug 21, 2026

planeshipstorage tankbaseball diamond+12

aerialobbremote-sensing+1

El conjunto de datos DOTA es un punto de referencia a gran escala para la detection de objetos en imágenes aéreas, publicado en tres versiones (v1.0, v1.5, v2.0) con hasta 1,7 millones de anotaciones de Oriented Bounding Box (OBB) en 18 categorías, capturadas de diversos sensores y plataformas aéreas.

Explora los conjuntos de datos DOTA v1.5 y DOTA v1.0 alojados oficialmente en la plataforma Ultralytics para previsualizar sus anotaciones orientadas, inspeccionar estadísticas y clonarlos para el entrenamiento.

Características clave#

• Recopilado de varios sensores y plataformas, con tamaños de imagen que varían de 800 × 800 a 20.000 × 20.000 píxeles.
• Presenta más de 1,7 millones de cajas delimitadoras orientadas en 18 categorías.
• Abarca la detección de objetos multiescala gracias a la amplia distribución de tamaños de objetos por imagen.
• Las instancias son anotadas por expertos utilizando cuadriláteros arbitrarios (8 grados de libertad), capturando objetos de diferentes escalas, orientaciones y formas.

Versiones del dataset#

DOTA-v1.0#

• Contiene 15 categorías comunes.
• Comprende 2.806 imágenes con 188.282 instancias.
• Proporciones de división: 1/2 para entrenamiento (1.411 imágenes), 1/6 para validación (458 imágenes) y 1/3 para pruebas (937 imágenes).

DOTA-v1.5#

• Incorpora las mismas imágenes que DOTA-v1.0.
• También se anotan instancias muy pequeñas (menos de 10 píxeles).
• Adición de una nueva categoría: "container crane" (grúa portacontenedores).
• Un total de 403.318 instancias.
• Publicado para el DOAI Challenge 2019 on Object Detection in Aerial Images.

DOTA-v2.0#

• Recopilaciones de Google Earth, satélite GF-2 y otras imágenes aéreas.
• Contiene 18 categorías comunes.
• Comprende 11.268 imágenes con la impresionante cifra de 1.793.658 instancias.
• Nuevas categorías introducidas: "airport" (aeropuerto) y "helipad" (helipuerto).
• Divisiones de imágenes:
  • Entrenamiento: 1.830 imágenes con 268.627 instancias.
  • Validación: 593 imágenes con 81.048 instancias.
  • Test-dev: 2.792 imágenes con 353.346 instancias.
  • Test-challenge: 6.053 imágenes con 1.090.637 instancias.

Estructura del dataset#

DOTA presenta un diseño estructurado adaptado a los desafíos de detección de objetos OBB:

• Imágenes: Una vasta colección de imágenes aéreas de alta resolución que capturan diversos terrenos y estructuras.
• Oriented Bounding Boxes: Anotaciones en forma de rectángulos rotados que encierran objetos independientemente de su orientación, ideales para capturar objetos como aviones, barcos y edificios.

Aplicaciones#

DOTA sirve como punto de referencia para entrenar y evaluar modelos adaptados específicamente al análisis de imágenes aéreas. Con la inclusión de anotaciones OBB, ofrece un desafío único que permite el desarrollo de modelos especializados de object detection que se adaptan a los matices de la imaginería aérea. El conjunto de datos es especialmente valioso para aplicaciones en teledetección, vigilancia y monitorización ambiental.

YAML del dataset#

Un archivo YAML de conjunto de datos especifica las rutas raíz de las imágenes/etiquetas, los nombres de las clases y otros metadatos importantes. Ultralytics mantiene archivos YAML oficiales para las dos versiones más utilizadas:

• DOTAv1.yaml
• DOTAv1.5.yaml

Utiliza el YAML que corresponda a la versión que hayas descargado, o crea un YAML personalizado si trabajas con DOTA-v2 u otro derivado. Ambas versiones se descargan automáticamente (2 GB) desde los assets de GitHub de Ultralytics la primera vez que entrenes.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# DOTA 1.0 dataset https://captain-whu.github.io/DOTA/index.html for object detection in aerial images by Wuhan University
# Documentation: https://docs.ultralytics.com/datasets/obb/dota-v2
# Example usage: yolo train model=yolov8n-obb.pt data=DOTAv1.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── DOTAv1 ← downloads here (2 GB)

# 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: DOTAv1 # dataset root dir
train: images/train # train images (relative to 'path') 1411 images
val: images/val # val images (relative to 'path') 458 images
test: images/test # test images (optional) 937 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/DOTAv1.zip

Dividir imágenes DOTA#

Las imágenes sin procesar superan rutinariamente los 10.000 píxeles por lado, por lo que es necesario realizar un mosaico antes de alimentar los datos a YOLO. Usa la herramienta a continuación para fragmentar la imagen original en recortes superpuestos de 1024 × 1024 a múltiples escalas, manteniendo las anotaciones sincronizadas.

from ultralytics.data.split_dota import split_test, split_trainval

# Split train and val set, with labels.
split_trainval(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)
# Split test set, without labels.
split_test(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)

Uso#

Para entrenar un modelo en el conjunto de datos DOTA v1, puedes utilizar los siguientes fragmentos de código. Consulta siempre la documentación de tu modelo para obtener una lista exhaustiva de los argumentos disponibles. Si quieres experimentar primero con un subconjunto más pequeño, considera usar el conjunto de datos DOTA8, que contiene solo 8 imágenes para pruebas rápidas y se puede explorar en Ultralytics Platform.

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)

Ejemplos de datos y anotaciones#

Echar un vistazo al dataset ilustra su profundidad:

• Ejemplos de DOTA: Esta captura destaca la complejidad de las escenas aéreas y la importancia de las anotaciones de Oriented Bounding Box, capturando objetos en su orientación natural.

La riqueza del conjunto de datos ofrece información valiosa sobre los desafíos de detección de objetos exclusivos de la imaginería aérea. El conjunto de datos DOTA-v2.0 se ha vuelto especialmente popular para proyectos de teledetección y vigilancia aérea debido a sus anotaciones completas y diversas categorías de objetos.

Citas y agradecimientos#

Si utilizas DOTA en tu trabajo, cita los artículos de investigación correspondientes:

@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}
}

Una nota especial de agradecimiento al equipo detrás de los conjuntos de datos DOTA por su encomiable esfuerzo en la recopilación de este conjunto de datos. Para obtener una comprensión exhaustiva del conjunto de datos y sus matices, visita el sitio web oficial de DOTA.

FAQ#