Conjunto de datos 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#

DOTA8 de Ultralytics es un conjunto de datos pequeño pero versátil de detección de objetos orientada, compuesto por las 8 primeras 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, así como para experimentar con nuevos métodos de detección. Con solo 8 imágenes, es fácil de gestionar, pero lo bastante diverso como para probar si hay errores en las canalizaciones de entrenamiento y realizar una comprobación rápida antes de entrenar con conjuntos de datos más grandes.

Estructura del conjunto de datos#

• Imágenes: 8 teselas aéreas (4 train, 4 val) 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, se descarga automáticamente de los recursos de Ultralytics en GitHub la primera vez que entrenas.

• Estructura recomendada:

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

Explora DOTA8 en Ultralytics Platform para ver 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 Gráficos, y clonarlo para entrenar tu propio modelo en la nube.

YAML del conjunto de datos#

Se utiliza un archivo YAML para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otros datos relevantes del conjunto de datos. En el caso de 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 conjunto de datos DOTA8 durante 100 épocas y con un tamaño de imagen de 640, puedes usar 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

# Cargar un modelo
model = YOLO("yolo26n-obb.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrenar el modelo
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Imágenes de muestra y anotaciones#

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

• Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos dispuestas en mosaico. El mosaico es una técnica que se utiliza durante el entrenamiento para combinar varias imágenes en una sola y 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 conjunto de datos DOTA8 y las ventajas de usar mosaicos durante el entrenamiento.

Citas y agradecimientos#

Si utilizas el conjunto de datos DOTA en tus trabajos 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 conjuntos de datos DOTA por su encomiable labor de recopilación. Para conocer a fondo el conjunto de datos y sus particularidades, visita el sitio web oficial de DOTA.

Preguntas frecuentes#