Dataset 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#

DOTA8 của Ultralytics là một dataset phát hiện đối tượng xoay nhỏ nhưng linh hoạt, gồm 8 ảnh đầu tiên của tập chia DOTAv1, trong đó có 4 ảnh huấn luyện và 4 ảnh xác thực. Dataset này phù hợp để kiểm thử và gỡ lỗi model phát hiện đối tượng, hoặc thử nghiệm các phương pháp phát hiện mới. Với 8 ảnh, dataset đủ nhỏ để dễ quản lý nhưng cũng đủ đa dạng để kiểm tra lỗi trong pipeline huấn luyện và làm bước kiểm tra sơ bộ trước khi huấn luyện trên các dataset lớn hơn.

Cấu trúc dataset#

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

• Lớp: Kế thừa 15 danh mục của DOTAv1, chẳng hạn như máy bay, tàu thủy và xe cỡ lớn.

• Nhãn: Hộp giới hạn xoay định dạng YOLO được lưu thành các file .txt bên cạnh từng ảnh.

• Tải xuống: 1 MB, được tự động tải từ tài nguyên GitHub của Ultralytics trong lần đầu tiên bạn huấn luyện.

• Bố cục đề xuất:

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

Khám phá DOTA8 trên Ultralytics Platform để xem các ô ảnh trên không cùng lớp phủ hộp xoay, xem phân bố lớp và bản đồ nhiệt chú thích trong tab Charts, rồi sao chép dataset để huấn luyện model của riêng bạn trên cloud.

YAML của dataset#

File YAML được dùng để xác định cấu hình dataset. File này chứa thông tin về đường dẫn, lớp và các thông tin liên quan khác của dataset. Với dataset 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 dataset DOTA8 trong 100 epoch với kích thước ảnh 640, bạn có thể dùng các đoạn mã sau. Để xem danh sách đầy đủ các tham số hiện có, hãy tham khảo trang Huấn luyện model.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n-obb.pt")  # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện)

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

Hình ảnh mẫu và annotation#

Sau đây là một số ảnh trong dataset DOTA8 cùng với các chú thích tương ứng:

• Ảnh ghép Mosaic: Hình ảnh này minh họa một batch huấn luyện được tạo từ các ảnh mosaic của bộ dữ liệu. Mosaic là kỹ thuật được sử dụng trong quá trình huấn luyện, kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng sự đa dạng của đối tượng và bối cảnh trong mỗi batch huấn luyện. Kỹ thuật 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 này minh họa sự đa dạng và phức tạp của ảnh trong dataset DOTA8, cũng như lợi ích của việc sử dụng ghép mosaic trong quá trình huấn luyện.

Trích dẫn và lời cảm ơn#

Nếu sử dụng dataset DOTA trong 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 nhóm phát triển các dataset DOTA vì những nỗ lực đáng ghi nhận trong việc tuyển chọn dataset này. Để hiểu đầy đủ về dataset và các đặc điểm của dataset, vui lòng truy cập trang web chính thức của DOTA.

Câu hỏi thường gặp#