Conjunto de dados DOTA8#

8

dota8

ultralytics

publicOBB

Sample dataset with 8 aerial images from DOTA for testing YOLO oriented bounding box (OBB) models. Designed for rotated object detection in satellite and drone imagery.

515 classes1 MBFeb 9, 2026

planeshipstorage tankbaseball diamond+11

Introdução#

Ultralytics DOTA8 é um conjunto de dados de detecção de objetos orientados pequeno, mas versátil, composto pelas primeiras 8 imagens do conjunto dividido DOTAv1, sendo 4 para treino e 4 para validação. Este conjunto de dados é ideal para testar e depurar modelos de detecção de objetos ou para experimentar novas abordagens de detecção. Com 8 imagens, é pequeno o suficiente para ser facilmente geríveis, mas diversificado o suficiente para testar pipelines de treino quanto a erros e servir como uma verificação de sanidade antes de treinar conjuntos de dados maiores.

Estrutura do Dataset#

• Imagens: 8 tiles aéreos (4 de treino, 4 de val) provenientes do DOTAv1.

• Classes: Herda as 15 categorias do DOTAv1, como avião, navio e veículo grande.

• Etiquetas: Caixas delimitadoras orientadas no formato YOLO guardadas como ficheiros .txt ao lado de cada imagem.

• Download: 1 MB, obtido automaticamente dos ativos do GitHub da Ultralytics na primeira vez que treinares.

• Layout recomendado:

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

Explora o DOTA8 na Plataforma Ultralytics para navegar pelas imagens aéreas com as respetivas sobreposições de caixas orientadas, ver a distribuição de classes e os mapas de calor de anotação no separador Gráficos, e cloná-lo para treinar o teu próprio modelo na nuvem.

YAML do Dataset#

Um ficheiro YAML é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos do conjunto de dados, classes e outras informações relevantes. 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.zip

Uso#

Para treinar um modelo YOLO26n-obb no conjunto de dados DOTA8 durante 100 épocas com um tamanho de imagem de 640, podes utilizar os seguintes snippets de código. Para uma lista abrangente de argumentos disponíveis, consulta a página de Treino do modelo.

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)

Exemplos de Imagens e Anotações#

Aqui estão alguns exemplos de imagens do conjunto de dados DOTA8, junto com suas anotações correspondentes:

• Imagem em Mosaico: Esta imagem demonstra um lote de treino composto por imagens do conjunto de dados em mosaico. A mosaicação é uma técnica usada durante o treino que combina múltiplas imagens numa única imagem para aumentar a variedade de objetos e cenas dentro de cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objeto, proporções e contextos.

O exemplo mostra a variedade e a complexidade das imagens no conjunto de dados DOTA8 e os benefícios de usar mosaico durante o processo de treinamento.

Citações e Agradecimentos#

Se você usar o conjunto de dados DOTA em seu trabalho de pesquisa ou desenvolvimento, por favor cite 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}
}

Uma nota especial de agradecimento à equipa por trás dos conjuntos de dados DOTA pelo seu esforço louvável na curadoria deste conjunto de dados. Para uma compreensão exaustiva do conjunto de dados e das suas nuances, visita o site oficial do DOTA.

FAQ#