Conjunto de dados DOTA8
Introdução#
O DOTA8 da Ultralytics é um pequeno conjunto de dados de detecção de objetos orientada, composto pelas 8 primeiras imagens da divisão DOTAv1: 4 para treinamento e 4 para validação. Este conjunto de dados é ideal para testar e depurar modelos de detecção de objetos ou experimentar novas abordagens de detecção. Com 8 imagens, ele é pequeno o suficiente para ser facilmente gerenciável, mas diversificado o bastante para testar erros em pipelines de treinamento e servir como verificação básica antes do treinamento com conjuntos de dados maiores.
Estrutura do conjunto de dados#
-
Imagens: 8 mosaicos aéreos (4 train, 4 val) provenientes do DOTAv1.
-
Classes: Inclui as 15 categorias do DOTAv1, como avião, navio e veículo de grandes dimensões.
-
Etiquetas: Caixas delimitadoras orientadas no formato YOLO, guardadas em ficheiros
.txtjunto a cada imagem. -
Transferência: 1 MB, transferido automaticamente dos recursos da Ultralytics no GitHub quando treinas pela primeira vez.
-
Estrutura recomendada:
datasets/dota8/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/
Explora o DOTA8 na Ultralytics Platform para navegar pelos mosaicos aéreos e respetivas sobreposições de caixas orientadas, consultar a distribuição das classes e os mapas de calor das anotações no separador Gráficos e clonar o conjunto para treinares o teu próprio modelo na nuvem.
YAML do conjunto de dados#
Usa-se um ficheiro YAML para definir a configuração do conjunto de dados. O ficheiro contém informações sobre os caminhos, as classes e outros dados relevantes do conjunto. No caso do conjunto de dados DOTA8, o ficheiro dota8.yaml é mantido em 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.zipUso#
Para treinar um modelo YOLO26n-obb no conjunto de dados DOTA8 por 100 épocas, com tamanho de imagem 640, você pode usar os seguintes trechos de código.
from ultralytics import YOLO
# Carregar um modelo
model = YOLO("yolo26n-obb.pt") # carregue um modelo pré-treinado (recomendado para treinamento)
# Treinar o modelo
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)Imagens de exemplo e anotações#
Aqui estão alguns exemplos de imagens do conjunto de dados DOTA8, juntamente com as respetivas anotações:
- Imagem em mosaico: esta imagem mostra um lote de treinamento composto por imagens do conjunto de dados organizadas em mosaico. A criação de mosaicos é uma técnica usada durante o treinamento que combina várias imagens numa só para aumentar a variedade de objetos e cenas em cada lote de treinamento. Isso ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.
O exemplo mostra a variedade e a complexidade das imagens do conjunto de dados DOTA8, bem como as vantagens de usar mosaicos durante o processo de treino.
Citações e agradecimentos#
Se usares o conjunto de dados DOTA no teu trabalho de investigação ou desenvolvimento, cita o seguinte artigo:
@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}
}Agradecemos à equipe por trás dos conjuntos de dados DOTA por organizá-los. Para ver todos os detalhes do conjunto de dados, visite o site oficial do DOTA.
Perguntas frequentes#
O conjunto de dados DOTA8 é um pequeno conjunto de dados de detecção de objetos orientada, composto pelas 8 primeiras imagens da divisão DOTAv1: 4 imagens destinadas ao treinamento e 4 à validação. Ele é ideal para testar e depurar modelos de detecção de objetos, como a Ultralytics YOLO26. Por ser gerenciável e diversificado, ajuda a identificar erros no pipeline e a executar verificações básicas antes do treinamento com conjuntos de dados maiores.
Para treinar um modelo YOLO26n-obb com o conjunto de dados DOTA8 durante 100 épocas, com um tamanho de imagem de 640, podes usar os seguintes excertos de código. Para consultar todas as opções de argumentos, visita a página de treino do modelo.
Exemplo de treinofrom ultralytics import YOLO # Carregar um modelo model = YOLO("yolo26n-obb.pt") # carregue um modelo pré-treinado (recomendado para treinamento) # Treinar o modelo results = model.train(data="dota8.yaml", epochs=100, imgsz=640)O conjunto de dados DOTA é conhecido por sua referência em grande escala e pelos desafios que apresenta à detecção de objetos em imagens aéreas. O subconjunto DOTA8 é menor e mais gerenciável, ideal para testes iniciais. O arquivo de configuração
dota8.yaml, que contém caminhos, classes e detalhes de configuração, é mantido no repositório da Ultralytics no GitHub.A mosaicagem combina várias imagens em uma durante o treinamento, aumentando a variedade de objetos e contextos em cada lote. Isso melhora a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e cenários.
A Ultralytics YOLO26 oferece suporte à detecção de objetos em tempo real, incluindo caixas delimitadoras orientadas (OBB), além de outras tarefas, como segmentação de instâncias, tudo em um único pipeline de treinamento. Seus modelos pré-treinados tornam o ajuste fino eficiente.
Comentários2
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
expen6ve
How do you create a dataset for OBB? can i use the visdrone dataset to train an obb model?
Glenn JocherUltralytics@expen6ve yes, you can use VisDrone with YOLO OBB by converting your annotations to YOLO OBB format (four corner points with normalized coordinates). Create a dataset YAML file following our DOTA8 example structure, and ensure annotations match the required
class_index x1 y1 x2 y2 x3 y3 x4 y4format. For conversion tools and format details, see our OBB Dataset Guide.



