Conjunto de datos DOTA8
Introducción#
DOTA8 de Ultralytics es un pequeño conjunto de datos de detección de objetos orientada, compuesto por las 8 primeras imágenes de la partición DOTAv1: 4 para entrenamiento y 4 para validación. Este conjunto de datos es ideal para probar y depurar modelos de detección de objetos o experimentar con nuevos métodos de detección. Con 8 imágenes, es lo bastante pequeño para manejarlo con facilidad y lo bastante diverso para detectar errores en los flujos de entrenamiento y realizar comprobaciones básicas 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
.txtjunto 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.zipUso#
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.
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}
}Damos las gracias al equipo responsable de los conjuntos de datos DOTA por recopilarlos. Para consultar todos los detalles del conjunto de datos, visita el sitio web oficial de DOTA.
Preguntas frecuentes#
El conjunto de datos DOTA8 es un pequeño conjunto de detección de objetos orientada, compuesto por las 8 primeras imágenes de la partición DOTAv1: 4 destinadas al entrenamiento y 4 a la validación. Es ideal para probar y depurar modelos de detección de objetos como Ultralytics YOLO26. Su tamaño manejable y su diversidad ayudan a identificar errores en los flujos de trabajo y a realizar comprobaciones básicas antes de entrenar con conjuntos de datos más grandes.
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 todas las opciones de argumentos, visita la página de entrenamiento del modelo.
Ejemplo de entrenamientofrom 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)El conjunto de datos DOTA es conocido por su referente a gran escala y por los retos que plantea la detección de objetos en imágenes aéreas. El subconjunto DOTA8 es más pequeño y manejable, e ideal para las pruebas iniciales. El archivo de configuración
dota8.yaml, que contiene rutas, clases y detalles de configuración, se mantiene en el repositorio de Ultralytics en GitHub.El mosaico combina varias imágenes en una durante el entrenamiento, lo que aumenta la variedad de objetos y contextos de cada lote. Esto mejora la capacidad del modelo para generalizar a distintos tamaños de objetos, relaciones de aspecto y escenas.
Ultralytics YOLO26 admite la detección de objetos en tiempo real, incluidas las cajas delimitadoras orientadas (OBB), además de otras tareas como la segmentación de instancias, todo ello mediante un único flujo de entrenamiento. Sus modelos preentrenados permiten un ajuste fino eficiente.
Comentarios2
Haz una pregunta, comparte tus resultados o ayuda a otra persona.
expen6ve
How do you create a dataset for OBB? can i use the visdrone dataset to train an obb model?
Glenn JocherUltralytics@expen6ve yes, you can use VisDrone with YOLO OBB by converting your annotations to YOLO OBB format (four corner points with normalized coordinates). Create a dataset YAML file following our DOTA8 example structure, and ensure annotations match the required
class_index x1 y1 x2 y2 x3 y3 x4 y4format. For conversion tools and format details, see our OBB Dataset Guide.



