Panoramica dei dataset di riquadri di delimitazione orientati (OBB)#

8

DOTA8 Multispectral

ultralytics

publicOBB

DOTA8 Multispectral is an eight-image oriented-detection utility with genuine 10-channel TIFF aerial inputs. Four training and four validation images pair DOTA's 15-class taxonomy with rotated quadrilaterals for focused multispectral pipeline validation.

15 classes36 MBSep 2, 2026

planeshipstorage tankbaseball diamond+11

aerialobbremote-sensing+3

Per addestrare un modello preciso di rilevamento degli oggetti con riquadri di delimitazione orientati (OBB) serve un dataset completo. Questa guida illustra i diversi formati di dataset OBB compatibili con i modelli Ultralytics YOLO e fornisce informazioni sulla loro struttura, applicazione e sui metodi di conversione dei formati.

Formati di dataset OBB supportati#

Formato YOLO OBB#

Il formato YOLO OBB definisce i riquadri di delimitazione tramite i quattro punti d'angolo, con coordinate normalizzate tra 0 e 1. Il formato è il seguente:

class_index x1 y1 x2 y2 x3 y3 x4 y4

Internamente, YOLO gestisce le perdite e gli output nel formato xywhr, che rappresenta il punto centrale (xy), la larghezza, l'altezza e la rotazione del riquadro.

Un file di etichette *.txt per l'immagine qui sopra, che contiene un oggetto della classe 0 in formato OBB, potrebbe avere questo aspetto:

0 0.780811 0.743961 0.782371 0.74686 0.777691 0.752174 0.776131 0.749758

Formato YAML del dataset#

Il framework Ultralytics usa il formato di file YAML per definire il dataset e la configurazione del modello durante l'addestramento dei modelli OBB. Ecco un esempio del formato YAML usato per definire un dataset OBB:

# 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

Ognuno tra train, val e test accetta una directory, un elenco di directory oppure un file *.txt con un percorso di immagine per riga (i percorsi che iniziano con ./ sono relativi al file *.txt). Un file *.txt è utile per addestrare un modello su un sottoinsieme di una directory, escludere le immagini senza etichetta o combinare immagini provenienti da più fonti in un'unica suddivisione.

path: datasets/dota8 # dataset root
train: train.txt # a directory, a list e.g. [images/a, images/b], or a *.txt file
val: val.txt
names:
  0: plane

Utilizzo#

Per addestrare un modello usando questi formati OBB:

from ultralytics import YOLO

# Carica un modello YOLO26n-OBB preaddestrato
model = YOLO("yolo26n-obb.pt")

# Addestra il modello sul dataset DOTAv1
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)

Dataset supportati#

Attualmente sono supportati i seguenti dataset con riquadri di delimitazione orientati. La maggior parte è disponibile anche su Ultralytics Platform, dove puoi sfogliare le immagini e le annotazioni, visualizzare le statistiche dei dataset e clonarli per l'addestramento nel cloud.

• DOTA-v1: la prima versione del dataset DOTA, che offre un insieme completo di immagini aeree con riquadri di delimitazione orientati per il rilevamento degli oggetti.
• DOTA-v1.5: una versione intermedia del dataset DOTA, che offre annotazioni aggiuntive e miglioramenti rispetto a DOTA-v1 per potenziare le attività di rilevamento degli oggetti.
• DOTA-v2: versione 2 di DOTA (un dataset su larga scala per il rilevamento di oggetti in immagini aeree), che si concentra sul rilevamento da prospettive aeree e contiene riquadri di delimitazione orientati per 1,7 milioni di istanze in 11.268 immagini.
• DOTA8: un piccolo sottoinsieme di 8 immagini del dataset DOTA completo, adatto a testare i flussi di lavoro e a verificare l'integrazione continua (CI) dell'addestramento OBB nel repository ultralytics.
• DOTA8 Multispectral: un sottoinsieme di 8 immagini TIFF a 10 canali per testare l'addestramento OBB multispettrale su Ultralytics Platform.
• DOTA128: un sottoinsieme del dataset DOTA composto da 128 immagini, tutte nella cartella train (usata sia per train sia per val), che offre un buon equilibrio tra dimensioni e diversità per testare i modelli OBB.

Integrare il tuo dataset OBB#

Se vuoi integrare i tuoi dataset con riquadri di delimitazione orientati, assicurati che siano compatibili con il "formato YOLO OBB" descritto sopra. Converti le annotazioni nel formato richiesto e specifica percorsi, classi e nomi delle classi in un file di configurazione YAML corrispondente.

Convertire i formati delle etichette#

Convertire il formato del dataset DOTA nel formato YOLO OBB#

Per convertire le etichette dal formato del dataset DOTA al formato YOLO OBB, puoi usare questo script:

from ultralytics.data.converter import convert_dota_to_yolo_obb

convert_dota_to_yolo_obb("path/to/DOTA")

Questo meccanismo di conversione è fondamentale per i dataset in formato DOTA e garantisce la compatibilità con il formato OBB di Ultralytics YOLO.

È fondamentale verificare la compatibilità del dataset con il tuo modello e attenersi alle convenzioni di formato necessarie. Dataset strutturati correttamente sono essenziali per addestrare modelli efficienti di rilevamento degli oggetti con riquadri di delimitazione orientati.

Domande frequenti#