Dataset DOTA8#

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

Introducción#

Ultralytics DOTA8 es un dataset pequeño pero versátil de detección de objetos orientados, compuesto por las primeras 8 imágenes del conjunto dividido DOTAv1: 4 para entrenamiento y 4 para validación. Este dataset es ideal para probar y depurar modelos de detección de objetos, o para experimentar con nuevos enfoques de detección. Con 8 imágenes, es lo bastante pequeño como para gestionarlo fácilmente, pero también lo bastante diverso como para probar si las canalizaciones de entrenamiento contienen errores y servir como comprobación de coherencia antes de entrenar datasets más grandes.

Estructura del dataset#

• Imágenes: 8 teselas aéreas (4 de entrenamiento y 4 de validación) procedentes de DOTAv1.

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

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

• Descarga: 1 MB, descargado automáticamente desde los recursos de GitHub de Ultralytics la primera vez que entrenes.

• Diseño recomendado:

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

Explora DOTA8 en Ultralytics Platform para examinar las teselas aéreas con sus superposiciones de cajas orientadas, consultar la distribución de clases y los mapas de calor de las 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 dataset. Contiene información sobre las rutas, las clases y otros datos relevantes del dataset. En el caso del dataset 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 con el dataset DOTA8 durante 100 épocas y con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para consultar una lista completa de los argumentos disponibles, visita la página de entrenamiento 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)

Imágenes de ejemplo y anotaciones#

Estos son algunos ejemplos de imágenes del dataset DOTA8, junto con sus anotaciones correspondientes:

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

El ejemplo muestra la variedad y complejidad de las imágenes del dataset DOTA8, así como las ventajas de utilizar la creación de mosaicos durante el proceso de entrenamiento.

Citas y agradecimientos#

Si utilizas el dataset DOTA en tu trabajo de investigación o desarrollo, 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}
}

Nuestro agradecimiento especial al equipo responsable de los datasets DOTA por su encomiable labor de recopilación de este dataset. Para conocer a fondo el dataset y sus particularidades, visita el sitio web oficial de DOTA.

Preguntas frecuentes#