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#

Ultralytics DOTA8 è un dataset di rilevamento di oggetti orientati, piccolo ma versatile, composto dalle prime 8 immagini del set di suddivisione DOTAv1: 4 per l'addestramento e 4 per la convalida. Questo dataset è ideale per testare ed eseguire il debug dei modelli di rilevamento degli oggetti o per sperimentare nuovi approcci al rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente vario da consentire il test delle pipeline di addestramento alla ricerca di errori e fungere da controllo di integrità prima di addestrare dataset più grandi.

Struttura del dataset#

• Immagini: 8 tasselli aerei (4 per l'addestramento, 4 per la convalida) 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 come file .txt accanto a ciascuna immagine.

• Download: 1 MB, scaricato automaticamente dagli asset di Ultralytics su GitHub la prima volta che esegui l'addestramento.

• Struttura consigliata:

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

Esplora DOTA8 su Ultralytics Platform per sfogliare i tasselli aerei con le sovrapposizioni dei riquadri orientati, visualizzare la distribuzione delle classi e le mappe di calore delle annotazioni nella scheda Charts e clonarlo per addestrare il tuo modello nel cloud.

YAML del dataset#

Un file YAML viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e su altri dati pertinenti. Nel caso del dataset DOTA8, il file dota8.yaml è disponibile all'indirizzo 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 delle immagini di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina di addestramento del modello.

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)

Immagini ed esempi di annotazioni#

Ecco alcuni esempi di immagini del dataset DOTA8, insieme alle annotazioni corrispondenti:

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

L'esempio mostra la varietà e la complessità delle immagini nel dataset DOTA8 e i vantaggi dell'utilizzo della mosaicatura durante il processo di addestramento.

Citazioni e ringraziamenti#

Se utilizzi 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 creato i dataset DOTA per l'impegno encomiabile nella raccolta e nella cura di questo dataset. Per una comprensione esaustiva del dataset e delle sue peculiarità, visita il sito web ufficiale di DOTA.

FAQ#