Обзор наборов данных с ориентированными ограничивающими рамками (OBB)#

8

DOTA8 Multispectral

ultralytics

publicOBB

DOTA8 Multispectral contains 8 genuine 10-channel TIFF aerial images with 133 reviewed oriented bounding boxes across the canonical 15-class DOTA taxonomy. All 17 source annotations extending outside image bounds were clipped without dropping any boxes.

15 classes36 MBAug 24, 2026

planeshipstorage tankbaseball diamond+11

aerialobbremote-sensing+3

Обучение точной модели обнаружения объектов с ориентированными ограничивающими рамками (OBB) требует качественного набора данных. В этом руководстве рассматриваются различные форматы наборов данных OBB, совместимые с моделями Ultralytics YOLO, а также их структура, применение и методы конвертации форматов.

Поддерживаемые форматы наборов данных OBB#

Формат YOLO OBB#

Формат YOLO OBB определяет ограничивающие рамки по их четырем угловым точкам с координатами, нормализованными в диапазоне от 0 до 1. Он следует такому формату:

class_index x1 y1 x2 y2 x3 y3 x4 y4

Внутри YOLO обрабатывает потери и выдает результаты в формате xywhr, который представляет центральную точку (xy), ширину, высоту и поворот bounding box.

Пример файла меток *.txt для изображения выше, содержащего объект класса 0 в формате OBB, может выглядеть так:

0 0.780811 0.743961 0.782371 0.74686 0.777691 0.752174 0.776131 0.749758

Формат YAML для набора данных#

Фреймворк Ultralytics использует формат файлов YAML для определения конфигурации набора данных и модели при обучении моделей OBB. Ниже приведен пример формата YAML, используемого для описания набора данных OBB:

# 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

Каждый из файлов train, val и test принимает каталог, список каталогов или файл *.txt, в котором указан один путь к изображению на строку (пути, начинающиеся с ./, разрешаются относительно файла *.txt). Файл *.txt полезен для обучения на подмножестве каталога, пропуска изображений без разметки или объединения изображений из нескольких источников в одну выборку.

path: datasets/dota8 # dataset root
train: train.txt # a directory, a list e.g. [images/a, images/b], or a *.txt file
val: val.txt
names:
  0: plane

Использование#

Чтобы обучить модель с использованием этих форматов OBB:

from ultralytics import YOLO

# Create a new YOLO26n-OBB model from scratch
model = YOLO("yolo26n-obb.yaml")

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

Поддерживаемые наборы данных#

В настоящее время поддерживаются следующие наборы данных с ориентированными ограничивающими рамками:

• DOTA-v1: Первая версия набора данных DOTA, предоставляющая исчерпывающий комплект аэрофотоснимков с ориентированными ограничивающими рамками для обнаружения объектов.
• DOTA-v1.5: Промежуточная версия набора данных DOTA, предлагающая дополнительные аннотации и улучшения по сравнению с DOTA-v1 для расширенных задач обнаружения объектов.
• DOTA-v2: Версия 2 набора данных DOTA (крупномасштабный набор данных для обнаружения объектов на аэрофотоснимках) делает акцент на обнаружении с высоты птичьего полета и содержит ориентированные ограничивающие рамки для 1,7 миллиона экземпляров на 11 268 изображениях.
• DOTA8: Небольшая подмножество из 8 изображений из полного набора данных DOTA, подходящее для тестирования рабочих процессов и проверок непрерывной интеграции (CI) обучения OBB в репозитории ultralytics.
• DOTA8 Multispectral: Подмножество из 8 изображений и 10 каналов в формате TIFF для тестирования многоспектрального обучения OBB на платформе Ultralytics.
• DOTA128: Подмножество из 128 изображений из набора данных DOTA со всеми изображениями в папке train (используется как для train, так и для val), обеспечивающее хороший баланс между размером и разнообразием для тестирования моделей OBB.

Добавление собственного набора данных OBB#

Если ты хочешь добавить свои собственные наборы данных с ориентированными ограничивающими рамками, обеспечь их совместимость с "форматом YOLO OBB", упомянутым выше. Преобразуй свои аннотации в этот необходимый формат и укажи пути, классы и названия классов в соответствующем файле конфигурации YAML.

Преобразование форматов меток#

Преобразование формата набора данных DOTA в формат YOLO OBB#

Перенос меток из формата набора данных DOTA в формат YOLO OBB можно выполнить с помощью этого скрипта:

from ultralytics.data.converter import convert_dota_to_yolo_obb

convert_dota_to_yolo_obb("path/to/DOTA")

Этот механизм конвертации играет ключевую роль для наборов данных в формате DOTA, обеспечивая совместимость с форматом OBB Ultralytics YOLO.

Крайне важно проверять совместимость набора данных с твоей моделью и придерживаться необходимых конвенций формата. Правильно структурированные наборы данных имеют решающее значение для обучения эффективных моделей обнаружения объектов с ориентированными ограничивающими рамками.

FAQ#