Jeu de données 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

Introduction#

Ultralytics DOTA8 est un petit ensemble de données de détection d'objets orientés, polyvalent, composé des 8 premières images du jeu divisé DOTAv1, 4 pour l'entraînement et 4 pour la validation. Cet ensemble 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 facilement gérable, tout en étant assez diversifié pour tester les pipelines d'entraînement à la recherche d'erreurs et servir de vérification de cohérence avant d'entraîner des ensembles 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 DOTAv1 telles que plane, ship et large vehicle.

• Étiquettes : Boîtes englobantes orientées au format YOLO enregistrées sous forme de fichiers .txt à côté de chaque image.

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

• Mise en page 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 d'annotations dans l'onglet Graphiques, et le cloner pour entraîner ton propre modèle dans le cloud.

YAML du jeu de données#

Un fichier YAML est utilisé pour définir la configuration de l'ensemble de données. Il contient des informations sur les chemins de l'ensemble de données, les classes et d'autres informations pertinentes. Dans le cas de l'ensemble de données DOTA8, le fichier dota8.yaml est maintenu sur 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 l'ensemble de données DOTA8 pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consulte la page Entraînement du modèle.

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)

Exemples d'images et annotations#

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

• Image mosaïquée : Cette image montre un lot d'entraînement composé d'images du jeu de données mosaïquées. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule pour augmenter la variété des objets et des scènes au sein de chaque lot d'entraînement. Cela aide à améliorer la capacité du modèle à généraliser à différentes tailles d'objets, ratios d'aspect et contextes.

L'exemple met en évidence la variété et la complexité des images dans le jeu de données DOTA8 ainsi que les avantages de l'utilisation du mosaïquage lors du processus d'entraînement.

Citations et remerciements#

Si tu utilises le jeu de données DOTA dans tes travaux de recherche ou de développement, merci de citer 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}
}

Un remerciement spécial à l'équipe derrière les ensembles de données DOTA pour ses efforts louables dans la curation de cet ensemble de données. Pour une compréhension exhaustive de l'ensemble de données et de ses nuances, visite le site web officiel de DOTA.

FAQ#