Датасет 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

Введение#

Ultralytics DOTA8 — небольшой, но универсальный датасет для ориентированного обнаружения объектов, состоящий из первых 8 изображений выборки DOTAv1: 4 для обучения и 4 для валидации. Этот датасет отлично подходит для тестирования и отладки моделей обнаружения объектов, а также для экспериментов с новыми подходами к обнаружению. В нём всего 8 изображений, поэтому с ним легко работать, но их разнообразия достаточно, чтобы проверять конвейеры обучения на ошибки и выполнять контрольную проверку перед обучением на более крупных датасетах.

Структура набора данных#

• Изображения: 8 фрагментов аэрофотоснимков из DOTAv1 (4 для обучения, 4 для валидации).

• Классы: Унаследованы 15 категорий DOTAv1, например самолёт, корабль и крупный транспорт.

• Метки: Ориентированные ограничивающие рамки в формате YOLO, сохранённые в файлах .txt рядом с каждым изображением.

• Загрузка: 1 МБ; датасет автоматически загружается из ресурсов Ultralytics на GitHub при первом запуске обучения.

• Рекомендуемая структура:

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

Открой DOTA8 на платформе Ultralytics, чтобы просмотреть фрагменты аэрофотоснимков с наложенными ориентированными рамками, изучить распределение классов и тепловые карты аннотаций на вкладке Диаграммы, а также клонировать датасет и обучить собственную модель в облаке.

Файл YAML набора данных#

Для определения конфигурации датасета используется файл YAML. В нём указаны пути к датасету, классы и другая необходимая информация. Для датасета DOTA8 файл dota8.yaml поддерживается по адресу 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

Использование#

Чтобы обучить модель YOLO26n-obb на датасете DOTA8 в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Полный список доступных аргументов смотри на странице Обучение модели.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-obb.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучить модель
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Примеры изображений и аннотаций#

Вот несколько примеров изображений из датасета DOTA8 и соответствующих им аннотаций:

• Мозаичное изображение: на изображении показан обучающий батч, составленный из мозаично объединённых изображений датасета. Мозаичное объединение — это метод, применяемый во время обучения: несколько изображений объединяются в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем батче. Это помогает модели лучше обобщать данные для объектов разных размеров, с разными соотношениями сторон и в разных контекстах.

Пример демонстрирует разнообразие и сложность изображений датасета DOTA8, а также преимущества мозаичного объединения при обучении.

Цитирование и благодарности#

Если ты используешь датасет DOTA в исследовательской работе или разработке, процитируй следующую статью:

@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}
}

Особая благодарность команде, создавшей датасеты DOTA, за впечатляющую работу по подготовке этого датасета. Подробное описание датасета и его особенностей смотри на официальном сайте DOTA.

Часто задаваемые вопросы#