DOTA8 Veri Kümesi#

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

Giriş#

Ultralytics DOTA8, DOTAv1 veri setinin bölünmüş halindeki ilk 8 görselden oluşan (4'ü eğitim, 4'ü doğrulama için) küçük ama çok yönlü yönlendirilmiş bir nesne tespiti veri setidir. Bu veri seti, nesne tespiti modellerini test etmek ve hata ayıklamak ya da yeni tespit yaklaşımlarını denemek için idealdir. 8 görseliyle, kolayca yönetilebilecek kadar küçük, ancak eğitim boru hatlarını hatalara karşı test etmek ve daha büyük veri setlerini eğitmeden önce akıl sağlığı kontrolü (sanity check) görevi görecek kadar da çeşitlidir.

Veri Kümesi Yapısı#

• Görüntüler: DOTAv1'den alınan 8 hava karesi (4 eğitim, 4 doğrulama).

• Sınıflar: Uçak, gemi ve büyük araç gibi 15 DOTAv1 kategorisini devralır.

• Etiketler: Her görselin yanında .txt dosyaları olarak kaydedilmiş YOLO formatında yönlendirilmiş sınırlayıcı kutular (oriented bounding boxes).

• İndirme: 1 MB, ilk kez eğitim başlattığında Ultralytics GitHub varlıklarından otomatik olarak alınır.

• Önerilen düzen:

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

Yönlendirilmiş kutu kaplamalarıyla hava fotoğraflarını incelemek, Charts sekmesinde sınıf dağılımını ve açıklama ısı haritalarını görmek ve kendi modelini bulutta eğitmek için DOTA8 on Ultralytics Platform seçeneğini keşfet.

Veri Kümesi YAML#

Veri seti yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri setinin yolları, sınıfları ve ilgili diğer bilgiler hakkında bilgi içerir. DOTA8 veri seti durumunda, dota8.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml adresinde barındırılmaktadır.

# 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

Kullanım#

DOTA8 veri seti üzerinde 640 görsel boyutuyla 100 dönem (epoch) boyunca bir YOLO26n-obb modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Training sayfasına göz at.

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)

Örnek Görüntüler ve Ek Açıklamalar#

İşte DOTA8 veri kümesinden, karşılık gelen açıklamalarıyla birlikte bazı görüntü örnekleri:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, eğitim sırasında her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yapma yeteneğini geliştirmeye yardımcı olur.

Bu örnek, DOTA8 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın avantajlarını sergilemektedir.

Alıntılar ve Teşekkür#

Araştırma veya geliştirme çalışmalarında DOTA veri kümesini kullanırsan, lütfen aşağıdaki makaleye atıfta bulun:

@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}
}

A special note of gratitude to the team behind the DOTA datasets for their commendable effort in curating this dataset. For an exhaustive understanding of the dataset and its nuances, please visit the official DOTA website.

SSS#