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

Introduction#

Ultralytics DOTA8 est un petit dataset polyvalent de détection d’objets orientés, composé des 8 premières images du jeu de données fractionné DOTAv1, dont 4 pour l’entraînement et 4 pour la validation. Ce dataset est idéal pour tester et déboguer des modèles de détection d’objets ou 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, détecter les erreurs et servir de contrôle de cohérence avant l’entraînement sur des datasets plus volumineux.

Structure du jeu de données#

• Images : 8 tuiles aériennes (4 pour l’entraînement, 4 pour la validation) provenant de DOTAv1.

• Classes : hérite des 15 catégories de DOTAv1, notamment avion, navire et véhicule de grande taille.

• Annotations : BBox 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 la première fois que tu lances un entraînement.

• Structure recommandée :

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

Explore DOTA8 sur Ultralytics Platform pour parcourir les tuiles aériennes avec leurs superpositions de BBox orientées, consulter la répartition des classes et les cartes thermiques des annotations dans l’onglet Charts, puis le cloner afin d’entraîner ton propre modèle dans le cloud.

YAML du jeu de données#

Un fichier YAML sert à définir la configuration du dataset. Il contient des informations sur les chemins du dataset, les classes et d’autres informations pertinentes. Pour le dataset 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 dataset 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

# 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 d’annotations#

Voici quelques exemples d’images du dataset DOTA8, accompagnées de leurs annotations correspondantes :

• Image en mosaïque : cette image présente 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. Cela contribue à améliorer la capacité du modèle à se généraliser à différentes tailles d’objets, proportions et contextes.

L’exemple illustre la variété et la complexité des images du dataset DOTA8, ainsi que les avantages de l’utilisation de la mosaïque pendant le processus d’entraînement.

Citations et remerciements#

Si tu utilises le dataset 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}
}

Nous adressons nos remerciements particuliers à l’équipe à l’origine des datasets DOTA pour les efforts remarquables consacrés à la constitution de ce dataset. Pour comprendre en détail le dataset et ses spécificités, consulte le site officiel de DOTA.

FAQ#