Conjunto de dados 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

Introdução#

O DOTA8 da Ultralytics é um conjunto de dados pequeno, mas versátil, de deteção de objetos orientada, composto pelas primeiras 8 imagens do conjunto dividido DOTAv1: 4 para treino e 4 para validação. Este conjunto de dados é ideal para testar e depurar modelos de deteção de objetos ou experimentar novas abordagens de deteção. Com 8 imagens, é suficientemente pequeno para ser fácil de gerir, mas também suficientemente diversificado para testar erros nos pipelines de treino e servir como verificação básica antes de treinar 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 .txt junto 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.zip

Uso#

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 obter uma lista completa dos argumentos disponíveis, consulta a página de treino do modelo.

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}
}

Um agradecimento especial à equipa responsável pelos conjuntos de dados DOTA pelo excelente trabalho de curadoria deste conjunto. Para compreenderes o conjunto de dados e as suas particularidades em detalhe, visita o site oficial do DOTA.

Perguntas frequentes#