Набор данных 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

Введение#

Ultralytics DOTA8 — это небольшой, но универсальный набор данных для обнаружения объектов с ориентацией, состоящий из первых 8 изображений из разделенного набора DOTAv1: 4 для обучения и 4 для валидации. Этот датасет идеально подходит для тестирования и отладки моделей обнаружения объектов или для экспериментов с новыми подходами к детектированию. Обладая всего 8 изображениями, он достаточно мал, чтобы им было легко управлять, и в то же время достаточно разнообразен, чтобы проверять конвейеры обучения на наличие ошибок и служить базовой проверкой работоспособности перед обучением на более крупных наборах данных.

Структура набора данных#

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

• Классы: Наследует 15 категорий DOTAv1, таких как самолет, корабль и крупногабаритный транспорт.

• Метки: ориентированные ограничивающие рамки в формате YOLO, сохраненные в виде файлов .txt рядом с каждым изображением.

• Скачивание: 1 МБ, автоматически загружается из ресурсов Ultralytics на GitHub при первом запуске обучения.

• Рекомендуемая структура:

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

Изучи DOTA8 на платформе Ultralytics, чтобы просматривать аэрофотоснимки с наложенными ориентированными рамками, изучать распределение классов и тепловые карты аннотаций на вкладке Диаграммы (Charts), а также клонировать датасет для обучения собственной модели в облаке.

YAML набора данных#

Файл YAML используется для определения конфигурации набора данных. Он содержит информацию о путях к датасету, классах и другие важные сведения. В случае с набором данных 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, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения моделей.

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)

Примеры изображений и аннотации#

Вот несколько примеров изображений из набора данных DOTA8 вместе с соответствующими аннотациями:

• Мозаичное изображение: это изображение демонстрирует обучающий пакет, составленный из мозаично собранных изображений. Мозаика — это техника, используемая во время обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем пакете. Это помогает улучшить способность модели к обобщению при работе с объектами различных размеров, соотношений сторон и контекстов.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных DOTA8, а также преимущества использования мозаики (mosaicing) в процессе обучения.

Цитирование и благодарности#

Если ты используешь набор данных DOTA в своих исследованиях или разработках, пожалуйста, 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 разработчиков наборов данных DOTA за их колоссальную работу по созданию этого датасета. Для детального понимания датасета и его особенностей посетите официальный сайт DOTA.

FAQ#