Tập dữ liệu 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

Giới thiệu#

Ultralytics DOTA8 là một tập dữ liệu phát hiện đối tượng định hướng nhỏ nhưng đa dụng, gồm 8 ảnh đầu tiên của tập phân chia DOTAv1, trong đó 4 ảnh dùng để huấn luyện và 4 ảnh dùng để validation. Tập dữ liệu này phù hợp để kiểm thử và gỡ lỗi các model phát hiện đối tượng hoặc thử nghiệm những phương pháp phát hiện mới. Với 8 ảnh, tập dữ liệu đủ nhỏ để dễ dàng quản lý nhưng vẫn đủ đa dạng để kiểm tra pipeline huấn luyện nhằm phát hiện lỗi và thực hiện kiểm tra tính hợp lý trước khi huấn luyện các tập dữ liệu lớn hơn.

Cấu trúc bộ dữ liệu#

• Ảnh: 8 tile ảnh trên không (4 train, 4 val) lấy từ DOTAv1.

• Class: Kế thừa 15 category của DOTAv1, chẳng hạn như máy bay, tàu và phương tiện cỡ lớn.

• Nhãn: Các bounding box định hướng theo định dạng YOLO được lưu dưới dạng các file .txt bên cạnh từng ảnh.

• Tải xuống: 1 MB, được tự động tải từ các asset trên Ultralytics GitHub trong lần đầu tiên bạn huấn luyện.

• Bố cục được khuyến nghị:

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

Khám phá DOTA8 trên Ultralytics Platform để duyệt các tile ảnh trên không cùng lớp phủ bounding box định hướng, xem phân bố class và heatmap annotation trong tab Charts, rồi clone tập dữ liệu để huấn luyện model riêng trên cloud.

YAML của bộ dữ liệu#

Một file YAML được sử dụng để định nghĩa cấu hình tập dữ liệu. File này chứa thông tin về các path, class và những thông tin liên quan khác của tập dữ liệu. Đối với tập dữ liệu DOTA8, file dota8.yaml được duy trì tại 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

Cách sử dụng#

Để huấn luyện model YOLO26n-obb trên tập dữ liệu DOTA8 trong 100 epoch với kích thước ảnh 640, bạn có thể sử dụng các đoạn code sau. Để xem danh sách đầy đủ các argument khả dụng, hãy tham khảo trang Training của model.

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)

Hình ảnh mẫu và annotation#

Dưới đây là một số ví dụ về ảnh trong tập dữ liệu DOTA8 cùng với các annotation tương ứng:

• Hình ảnh dạng mosaic: Hình ảnh này minh họa một batch train được tạo từ các hình ảnh dataset dạng mosaic. Mosaicing là một kỹ thuật được sử dụng trong quá trình train, kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng tính đa dạng của đối tượng và cảnh trong mỗi batch train. Điều này giúp cải thiện khả năng tổng quát hóa của model đối với các kích thước đối tượng, tỷ lệ khung hình và ngữ cảnh khác nhau.

Ví dụ minh họa sự đa dạng và phức tạp của các ảnh trong tập dữ liệu DOTA8 cũng như lợi ích của việc sử dụng kỹ thuật ghép mosaic trong quá trình huấn luyện.

Trích dẫn và ghi nhận đóng góp#

Nếu sử dụng tập dữ liệu DOTA trong công trình nghiên cứu hoặc phát triển, vui lòng trích dẫn bài báo sau:

@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}
}

Xin gửi lời cảm ơn đặc biệt đến đội ngũ đứng sau các tập dữ liệu DOTA vì những nỗ lực đáng ghi nhận trong việc xây dựng tập dữ liệu này. Để tìm hiểu toàn diện về tập dữ liệu và các đặc điểm của nó, vui lòng truy cập trang web chính thức của DOTA.

FAQ#