Conjunto de datos DOTA8#

8

dota8

ultralytics

publicOBB

Sample dataset with 8 aerial images from DOTA for testing YOLO oriented bounding box (OBB) models. Designed for rotated object detection in satellite and drone imagery.

515 classes1 MBFeb 9, 2026

planeshipstorage tankbaseball diamond+11

Introducción#

Ultralytics DOTA8 es un conjunto de datos de detección de objetos orientados pequeño pero versátil, compuesto por las primeras 8 imágenes del conjunto dividido DOTAv1, 4 para entrenamiento y 4 para validación. Este conjunto de datos es ideal para probar y depurar modelos de detección de objetos, o para experimentar con nuevos enfoques de detección. Con 8 imágenes, es lo suficientemente pequeño como para ser fácil de manejar, pero lo bastante diverso como para probar los flujos de trabajo de entrenamiento en busca de errores y actuar como una comprobación de sanidad antes de entrenar conjuntos de datos más grandes.

Estructura del dataset#

• Imágenes: 8 mosaicos aéreos (4 de entrenamiento, 4 de validación) procedentes de DOTAv1.

• Clases: Hereda las 15 categorías de DOTAv1 como avión, barco y vehículo grande.

• Etiquetas: Cajas delimitadoras orientadas con formato YOLO guardadas como archivos .txt junto a cada imagen.

• Descarga: 1 MB, se obtiene automáticamente desde los activos de Ultralytics GitHub la primera vez que entrenas.

• Diseño recomendado:

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

Explora DOTA8 en Ultralytics Platform para navegar por las teselas aéreas con sus superposiciones de cajas orientadas, ver la distribución de clases y los mapas de calor de anotaciones en la pestaña Charts, y clonarlo para entrenar tu propio modelo en la nube.

YAML del dataset#

Se utiliza un archivo YAML para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otra información relevante del conjunto de datos. En el caso del conjunto de datos DOTA8, el archivo dota8.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml.

# 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

Uso#

Para entrenar un modelo YOLO26n-obb en el conjunto de datos DOTA8 durante 100 epochs con un tamaño de imagen de 640, puedes usar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la página de Training del modelo.

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)

Muestras de imágenes y anotaciones#

Aquí tienes algunos ejemplos de imágenes del conjunto de datos DOTA8, junto con sus correspondientes anotaciones:

• Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos en mosaico. El mosaico es una técnica utilizada durante el entrenamiento que combina múltiples imágenes en una sola para aumentar la variedad de objetos y escenas dentro de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a diferentes tamaños de objeto, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes en el conjunto de datos DOTA8 y los beneficios de utilizar el mosaico durante el proceso de entrenamiento.

Citas y agradecimientos#

Si utilizas el conjunto de datos DOTA en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:

@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#