OBB付きDOTAデータセット#

2,806

DOTA v1.5

ultralytics

publicOBB

DOTA v1.5 extends Wuhan University's oriented aerial benchmark with denser annotations for small objects and a container-crane category. Its 16 classes span aircraft, vehicles, vessels, sports facilities, and infrastructure in high-resolution overhead scenes.

16 classes2.7 GBSep 2, 2026

planeshipstorage tankbaseball diamond+12

aerialobbremote-sensing+1

DOTAデータセットは、航空画像における物体検出の大規模ベンチマークです。3つのバージョン（v1.0、v1.5、v2.0）でリリースされており、18カテゴリにわたる最大170万件の方向付きバウンディングボックス（OBB）アノテーションが含まれています。さまざまな航空センサーやプラットフォームから取得された画像で構成されています。

Ultralytics Platformで公式にホスティングされているDOTA v1.5およびDOTA v1.0データセットを確認して、方向付きアノテーションをプレビューし、統計情報を調べ、トレーニング用にクローンできます。

主な特徴#

• さまざまなセンサーやプラットフォームから収集され、画像サイズは800 × 800ピクセルから20,000 × 20,000ピクセルまであります。
• 18カテゴリにわたる170万件を超える方向付きバウンディングボックスを備えています。
• 画像ごとの物体サイズのばらつきが大きいため、マルチスケール物体検出に対応しています。
• 各インスタンスは、任意形状の（8 d.o.f.）四辺形を使用して専門家がアノテーションしており、さまざまなスケール、向き、形状の物体を捉えています。

データセットのバージョン#

DOTA-v1.0#

• 一般的な15カテゴリが含まれています。
• 2,806枚の画像と188,282個のインスタンスで構成されています。
• 分割比率は、トレーニングが1/2（1,411枚）、検証が1/6（458枚）、テストが1/3（937枚）です。

DOTA-v1.5#

• DOTA-v1.0と同じ画像が含まれています。
• 非常に小さいインスタンス（10ピクセル未満）にもアノテーションが付けられています。
• 新しいカテゴリ「container crane」が追加されています。
• インスタンスの総数は403,318個です。
• 航空画像における物体検出に関するDOAI Challenge 2019向けにリリースされました。

DOTA-v2.0#

• Google Earth、GF-2 Satellite、その他の航空画像から収集されています。
• 一般的な18カテゴリが含まれています。
• 11,268枚の画像と、合計1,793,658個のインスタンスで構成されています。
• 新しいカテゴリとして「airport」と「helipad」が導入されています。
• 画像の分割:
  • トレーニング: 1,830枚の画像、268,627個のインスタンス。
  • 検証: 593枚の画像、81,048個のインスタンス。
  • Test-dev: 2,792枚の画像、353,346個のインスタンス。
  • Test-challenge: 6,053枚の画像、1,090,637個のインスタンス。

データセットの構成#

DOTAは、OBB物体検出の課題に適した構造化レイアウトを備えています。

• 画像: 多様な地形や構造物を捉えた、高解像度の航空画像を大量に収録しています。
• 方向付きバウンディングボックス: 向きにかかわらず物体を囲む回転矩形の形式でアノテーションされています。飛行機、船、建物などの物体を捉えるのに適しています。

アプリケーション#

DOTAは、航空画像解析に特化したモデルのトレーニングと評価のためのベンチマークです。OBBアノテーションを含むことで、航空画像特有の性質に対応する専門的な物体検出モデルの開発を可能にする、独自の課題を提供します。このデータセットは、リモートセンシング、監視、環境モニタリングの用途で特に価値があります。

データセット YAML#

データセットYAMLファイルでは、画像とラベルのルート、クラス名、その他の重要なメタデータを指定します。Ultralyticsでは、最も一般的に使用される2つのリリース向けに公式YAMLファイルを提供しています。

• DOTAv1.yaml
• DOTAv1.5.yaml

ダウンロードしたリリースに対応するYAMLを使用するか、DOTA-v2または別の派生データセットを使用する場合はカスタムYAMLを作成してください。どちらのリリースも、初回のトレーニング時にUltralytics GitHubアセットから自動的にダウンロードされます（2 GB）。

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# DOTA 1.0 dataset https://captain-whu.github.io/DOTA/index.html for object detection in aerial images by Wuhan University
# Documentation: https://docs.ultralytics.com/datasets/obb/dota-v2
# Example usage: yolo train model=yolov8n-obb.pt data=DOTAv1.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── DOTAv1 ← downloads here (2 GB)

# 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: DOTAv1 # dataset root dir
train: images/train # train images (relative to 'path') 1411 images
val: images/val # val images (relative to 'path') 458 images
test: images/test # test images (optional) 937 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/DOTAv1.zip

DOTA画像の分割#

元の画像は一辺が10,000ピクセルを超えることが多いため、YOLOにデータを入力する前にタイリングが必要です。以下のヘルパーを使用すると、アノテーションの整合性を保ちながら、元画像を複数のスケールで重複する1024 × 1024のクロップに分割できます。

from ultralytics.data.split_dota import split_test, split_trainval

# Split train and val set, with labels.
split_trainval(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)
# Split test set, without labels.
split_test(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)

使用方法#

DOTA v1データセットでモデルをトレーニングするには、次のコードスニペットを使用できます。利用可能な引数の詳細な一覧については、必ずモデルのドキュメントを参照してください。まず小規模なサブセットで試したい場合は、8枚の画像のみを含み、迅速なテストに利用できるDOTA8データセットをお試しください。DOTA8はUltralytics Platformで閲覧できます。

from ultralytics import YOLO

# Load a pretrained YOLO26n-OBB model
model = YOLO("yolo26n-obb.pt")

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

サンプルデータとアノテーション#

データセットを一目見るだけでも、その内容の豊富さが分かります。

• DOTAの例: このスナップショットは、航空シーンの複雑さと、物体を本来の向きで捉える方向付きバウンディングボックスアノテーションの重要性を示しています。

このデータセットの豊富な内容から、航空画像に特有の物体検出の課題について、非常に有用な知見を得られます。包括的なアノテーションと多様な物体カテゴリを備えたDOTA-v2.0データセットは、リモートセンシングや航空監視のプロジェクトで特に広く利用されています。

引用と謝辞#

DOTAを研究で使用する場合は、関連する研究論文を引用してください。

@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}
}

このデータセットのキュレーションに尽力したDOTAデータセット開発チームに、特別な感謝を表します。データセットとその特徴を詳しく理解するには、DOTA公式Webサイトをご覧ください。

FAQ#