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

Introduzione#

DOTA8 di Ultralytics è un dataset piccolo ma versatile per il rilevamento di oggetti orientati, composto dalle prime 8 immagini del set DOTAv1 suddiviso, 4 per l'addestramento e 4 per la convalida. Questo dataset è ideale per testare e correggere i modelli di rilevamento degli oggetti o per sperimentare nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere gestito facilmente, ma sufficientemente vario da consentire di verificare la presenza di errori nelle pipeline di addestramento e di effettuare un controllo preliminare prima di addestrare modelli su dataset più grandi.

Struttura del dataset#

• Immagini: 8 ritagli aerei (4 train, 4 val) provenienti da DOTAv1.

• Classi: eredita le 15 categorie di DOTAv1, come aereo, nave e veicolo grande.

• Etichette: riquadri di delimitazione orientati in formato YOLO, salvati in file .txt accanto a ciascuna immagine.

• Download: 1 MB, scaricato automaticamente dagli asset GitHub di Ultralytics al primo addestramento.

• Struttura consigliata:

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

Esplora DOTA8 sulla piattaforma Ultralytics per sfogliare i ritagli aerei con le sovrapposizioni dei riquadri orientati, visualizzare la distribuzione delle classi e le mappe di calore delle annotazioni nella scheda Grafici e clonare il dataset per addestrare il tuo modello nel cloud.

YAML del dataset#

Per definire la configurazione del dataset si usa un file YAML. Il file contiene informazioni sui percorsi del dataset, sulle classi e su altri dettagli pertinenti. Per il dataset DOTA8, il file dota8.yaml è gestito in 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

Utilizzo#

Per addestrare un modello YOLO26n-obb sul dataset DOTA8 per 100 epoche con una dimensione dell'immagine di 640, puoi usare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Addestramento del modello.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n-obb.pt")  # carica un modello preaddestrato (consigliato per l'addestramento)

# Addestra il modello
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Immagini di esempio e annotazioni#

Ecco alcuni esempi di immagini del dataset DOTA8, con le relative annotazioni:

• Immagine a mosaico: questa immagine mostra un batch di addestramento composto da immagini del dataset unite in un mosaico. La creazione di mosaici è una tecnica utilizzata durante l'addestramento che combina più immagini in una sola per aumentare la varietà di oggetti e scene in ogni batch di addestramento. Questo aiuta a migliorare la capacità del modello di generalizzare a oggetti di dimensioni e proporzioni diverse e a contesti differenti.

L'esempio mostra la varietà e la complessità delle immagini nel dataset DOTA8 e i vantaggi dell'uso del mosaico durante l'addestramento.

Citazioni e ringraziamenti#

Se usi il dataset DOTA nel tuo lavoro di ricerca o sviluppo, cita il seguente articolo:

@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 ringraziamento speciale al team che ha realizzato i dataset DOTA per l'apprezzabile lavoro di raccolta e preparazione di questo dataset. Per conoscere a fondo il dataset e le sue caratteristiche, visita il sito ufficiale di DOTA.

Domande frequenti#