Panoramica dei dataset con Oriented Bounding Box (OBB)#

8

DOTA8 Multispectral

ultralytics

publicOBB

DOTA8 Multispectral contains 8 genuine 10-channel TIFF aerial images with 133 reviewed oriented bounding boxes across the canonical 15-class DOTA taxonomy. All 17 source annotations extending outside image bounds were clipped without dropping any boxes.

15 classes36 MBAug 24, 2026

planeshipstorage tankbaseball diamond+11

aerialobbremote-sensing+3

L'addestramento di un modello di object detection preciso con bounding box orientati (OBB) richiede un set di dati completo. Questa guida spiega i vari formati di dataset OBB compatibili con i modelli Ultralytics YOLO, offrendo approfondimenti sulla loro struttura, applicazione e sui metodi per la conversione dei formati.

Formati di dataset OBB supportati#

Formato YOLO OBB#

Il formato YOLO OBB designa i bounding box tramite i loro quattro punti d'angolo con coordinate normalizzate tra 0 e 1. Segue questo formato:

class_index x1 y1 x2 y2 x3 y3 x4 y4

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

Un esempio di file di etichette *.txt per l'immagine sopra, che contiene un oggetto di classe 0 in formato OBB, potrebbe essere:

0 0.780811 0.743961 0.782371 0.74686 0.777691 0.752174 0.776131 0.749758

Formato YAML del dataset#

Il framework Ultralytics utilizza un formato di file YAML per definire la configurazione del dataset e del modello per l'addestramento dei modelli OBB. Ecco un esempio del formato YAML utilizzato 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 o un file *.txt che elenca un percorso di immagine per riga (i percorsi che iniziano con ./ si risolvono rispetto al file *.txt). Un file *.txt è utile per eseguire il training su un sottoinsieme di una directory, saltare le immagini senza etichetta o combinare immagini da più fonti in un unico split.

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 utilizzando questi formati OBB:

from ultralytics import YOLO

# Create a new YOLO26n-OBB model from scratch
model = YOLO("yolo26n-obb.yaml")

# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)

Dataset supportati#

Attualmente, sono supportati i seguenti dataset con oriented bounding box:

• DOTA-v1: La prima versione del dataset DOTA, che fornisce un set completo di immagini aeree con bounding box orientati per l'object detection.
• DOTA-v1.5: Una versione intermedia del dataset DOTA, che offre annotazioni aggiuntive e miglioramenti rispetto a DOTA-v1 per attività di object detection avanzate.
• DOTA-v2: DOTA (A Large-scale Dataset for Object Detection in Aerial Images) versione 2, enfatizza il rilevamento da prospettive aeree e contiene bounding box orientati con 1,7 milioni di istanze e 11.268 immagini.
• DOTA8: Un piccolo sottoinsieme di 8 immagini del dataset DOTA completo, adatto per testare i flussi di lavoro e i controlli di integrazione continua (CI) dell'addestramento OBB nel repository ultralytics.
• DOTA8 Multispectral: Un sottoinsieme TIFF a 8 immagini e 10 canali per testare l'addestramento OBB multispettrale sulla piattaforma Ultralytics.
• DOTA128: Un sottoinsieme di 128 immagini del dataset DOTA con tutte le immagini nella cartella train (utilizzata sia per train che per val), che offre un buon bilanciamento tra dimensioni e diversità per il test dei modelli OBB.

Incorporare il tuo dataset OBB#

Per chi desidera introdurre i propri dataset con oriented bounding box, assicurati la compatibilità con il "formato YOLO OBB" menzionato sopra. Converti le tue annotazioni in questo formato richiesto e specifica i percorsi, le classi e i nomi delle classi in un corrispondente file di configurazione YAML.

Convertire i formati delle etichette#

Dal formato dataset DOTA al formato YOLO OBB#

La transizione delle etichette dal formato dataset DOTA al formato YOLO OBB può essere effettuata con 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, garantendo l'allineamento con il formato OBB di Ultralytics YOLO.

È imperativo convalidare la compatibilità del dataset con il tuo modello e attenersi alle convenzioni di formato necessarie. I dataset correttamente strutturati sono fondamentali per addestrare modelli di object detection efficienti con oriented bounding box.

FAQ#