Jeu de données 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

Introduction#

Ultralytics DOTA8 est un petit jeu de données polyvalent consacré à la détection d'objets orientée, composé des 8 premières images de l'ensemble DOTAv1 partitionné : 4 pour l'entraînement et 4 pour la validation. Ce jeu de données est idéal pour tester et déboguer des modèles de détection d'objets, ou pour expérimenter de nouvelles approches de détection. Avec 8 images, il est suffisamment petit pour être facile à gérer, mais assez varié pour tester les pipelines d'entraînement et y repérer d'éventuelles erreurs, et servir de contrôle de cohérence avant de lancer l'entraînement sur des jeux de données plus volumineux.

Structure du jeu de données#

• Images : 8 tuiles aériennes (4 train, 4 val) provenant de DOTAv1.

• Classes : hérite des 15 catégories de DOTAv1, comme avion, navire et grand véhicule.

• Annotations : boîtes englobantes orientées au format YOLO, enregistrées dans des fichiers .txt à côté de chaque image.

• Téléchargement : 1 Mo, récupéré automatiquement depuis les ressources GitHub d'Ultralytics lors du premier entraînement.

• Structure recommandée :

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

Explore DOTA8 sur la plateforme Ultralytics pour parcourir les tuiles aériennes avec leurs superpositions de boîtes orientées, consulter la distribution des classes et les cartes thermiques des annotations dans l'onglet Graphiques, et cloner le jeu de données pour entraîner ton propre modèle dans le cloud.

Fichier YAML du jeu de données#

Un fichier YAML sert à définir la configuration du jeu de données. Il contient des informations sur les chemins d'accès au jeu de données, les classes et d'autres éléments pertinents. Pour le jeu de données DOTA8, le fichier dota8.yaml est maintenu à l'adresse 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

Utilisation#

Pour entraîner un modèle YOLO26n-obb sur le jeu de données DOTA8 pendant 100 époques, avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour consulter la liste complète des arguments disponibles, reporte-toi à la page Entraînement du modèle.

from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n-obb.pt")  # charger un modèle préentraîné (recommandé pour l’entraînement)

# Entraîner le modèle
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Exemples d’images et annotations#

Voici quelques exemples d'images du jeu de données DOTA8, accompagnées de leurs annotations correspondantes :

• Image en mosaïque : cette image montre un lot d’entraînement composé d’images du jeu de données assemblées en mosaïque. La mosaïque est une technique utilisée pendant l’entraînement qui combine plusieurs images en une seule afin d’augmenter la variété des objets et des scènes dans chaque lot d’entraînement. Elle aide le modèle à mieux généraliser à différentes tailles d’objets, proportions et contextes.

L'exemple illustre la variété et la complexité des images du jeu de données DOTA8, ainsi que les avantages de la mosaïque pendant l'entraînement.

Citations et remerciements#

Si tu utilises le jeu de données DOTA dans tes travaux de recherche ou de développement, cite l'article suivant :

@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}
}

Nous adressons nos remerciements particuliers à l'équipe à l'origine des jeux de données DOTA pour son travail remarquable de constitution de ce jeu de données. Pour comprendre en détail le jeu de données et ses particularités, consulte le site officiel de DOTA.

FAQ#