Conjunto de dados DOTA com OBB#

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

O conjunto de dados DOTA é um benchmark de grande escala para deteção de objetos em imagens aéreas, lançado em três versões (v1.0, v1.5, v2.0), com até 1,7 M de anotações de caixas delimitadoras orientadas (OBB) em 18 categorias, capturadas a partir de diversos sensores e plataformas aéreas.

Explora os conjuntos de dados DOTA v1.5 e DOTA v1.0, alojados oficialmente na Ultralytics Platform, para pré-visualizares as respetivas anotações orientadas, inspecionares estatísticas e cloná-los para treino.

Principais funcionalidades#

• Recolha de vários sensores e plataformas, com tamanhos de imagem que variam entre 800 × 800 e 20.000 × 20.000 píxeis.
• Apresenta mais de 1,7 M de caixas delimitadoras orientadas em 18 categorias.
• Abrange a deteção de objetos em várias escalas, graças à ampla diversidade de tamanhos dos objetos em cada imagem.
• As instâncias são anotadas por especialistas utilizando quadriláteros arbitrários (8 d.o.f.), capturando objetos de diferentes escalas, orientações e formas.

Versões do conjunto de dados#

DOTA-v1.0#

• Contém 15 categorias comuns.
• É composto por 2.806 imagens com 188.282 instâncias.
• Divisão: 1/2 para treino (1.411 imagens), 1/6 para validação (458 imagens) e 1/3 para teste (937 imagens).

DOTA-v1.5#

• Incorpora as mesmas imagens que o DOTA-v1.0.
• Também são anotadas instâncias muito pequenas (com menos de 10 píxeis).
• Adição de uma nova categoria: "grua de contentores".
• Um total de 403.318 instâncias.
• Lançado para o DOAI Challenge 2019 on Object Detection in Aerial Images.

DOTA-v2.0#

• Recolha de imagens do Google Earth, do satélite GF-2 e de outras imagens aéreas.
• Contém 18 categorias comuns.
• É composto por 11.268 imagens com impressionantes 1.793.658 instâncias.
• Novas categorias introduzidas: "aeroporto" e "heliporto".
• Divisão das imagens:
  • Treino: 1.830 imagens com 268.627 instâncias.
  • Validação: 593 imagens com 81.048 instâncias.
  • Test-dev: 2.792 imagens com 353.346 instâncias.
  • Test-challenge: 6.053 imagens com 1.090.637 instâncias.

Estrutura do Conjunto de Dados#

O DOTA apresenta uma estrutura organizada, adaptada aos desafios de deteção de objetos com OBB:

• Imagens: Uma vasta coleção de imagens aéreas de alta resolução que capturam diversos terrenos e estruturas.
• Caixas delimitadoras orientadas: Anotações sob a forma de retângulos rodados que envolvem os objetos independentemente da sua orientação, ideais para capturar objetos como aviões, navios e edifícios.

Aplicações#

O DOTA serve como benchmark para treinar e avaliar modelos especificamente adaptados à análise de imagens aéreas. Com a inclusão de anotações OBB, proporciona um desafio único, permitindo o desenvolvimento de modelos especializados de deteção de objetos que respondem às particularidades das imagens aéreas. O conjunto de dados é especialmente valioso para aplicações de deteção remota, vigilância e monitorização ambiental.

YAML do Conjunto de Dados#

Um ficheiro YAML do conjunto de dados especifica as raízes das imagens/etiquetas, os nomes das classes e outros metadados importantes. A Ultralytics mantém ficheiros YAML oficiais para as duas versões mais utilizadas:

• DOTAv1.yaml
• DOTAv1.5.yaml

Utiliza o YAML correspondente à versão que descarregaste ou cria um YAML personalizado se estiveres a trabalhar com o DOTA-v2 ou outro derivado. Ambas as versões são descarregadas automaticamente (2 GB) dos recursos do GitHub da Ultralytics na primeira vez que treinas.

# 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

Dividir as imagens DOTA#

As imagens brutas ultrapassam regularmente os 10.000 píxeis de lado, por isso é necessário criar mosaicos antes de fornecer os dados ao YOLO. Utiliza o auxiliar abaixo para dividir as imagens de origem em recortes sobrepostos de 1024 × 1024, com várias escalas, mantendo as anotações sincronizadas.

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,
)

Utilização#

Para treinar um modelo no conjunto de dados DOTA v1, podes utilizar os seguintes excertos de código. Consulta sempre a documentação do teu modelo para obteres uma lista completa dos argumentos disponíveis. Se quiseres experimentar primeiro um subconjunto mais pequeno, considera utilizar o conjunto de dados DOTA8, que contém apenas 8 imagens para testes rápidos e pode ser consultado na Ultralytics Platform.

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)

Dados e anotações de exemplo#

Observar brevemente o conjunto de dados ilustra a sua profundidade:

• Exemplos DOTA: Esta imagem realça a complexidade das cenas aéreas e a importância das anotações de caixas delimitadoras orientadas, capturando os objetos na sua orientação natural.

A riqueza do conjunto de dados oferece informações inestimáveis sobre os desafios de deteção de objetos exclusivos das imagens aéreas. O conjunto de dados DOTA-v2.0 tornou-se particularmente popular em projetos de deteção remota e vigilância aérea devido às suas anotações abrangentes e às diversas categorias de objetos.

Citações e agradecimentos#

Se utilizares o DOTA no teu trabalho, cita os artigos de investigação relevantes:

@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}
}

Um agradecimento especial à equipa responsável pelos datasets DOTA pelo louvável trabalho de organização deste dataset. Para obteres uma compreensão exaustiva do dataset e das suas particularidades, visita o site oficial do DOTA.

Perguntas frequentes#