旋转框（OBB）数据集概览#
使用旋转框（OBB）训练精准的目标检测模型，需要全面的数据集。本指南介绍了与 Ultralytics YOLO 模型兼容的各种 OBB 数据集格式，并说明其结构、用途和格式转换方法。
支持的 OBB 数据集格式#
YOLO OBB 格式#
YOLO OBB 格式使用四个角点坐标来指定边界框，坐标归一化到 0 到 1 之间。其格式如下：
class_index x1 y1 x2 y2 x3 y3 x4 y4在内部，YOLO 使用 xywhr 格式处理损失和输出，该格式表示边界框的中心点 (xy)、宽度、高度和旋转角度。
上述图像对应的 *.txt 标签文件示例中，包含一个类别为 0 的 OBB 格式对象，内容可能如下：
0 0.780811 0.743961 0.782371 0.74686 0.777691 0.752174 0.776131 0.749758数据集 YAML 格式#
Ultralytics 框架使用 YAML 文件格式定义用于训练 OBB 模型的数据集和模型配置。下面是定义 OBB 数据集时使用的 YAML 格式示例：
# 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.ziptrain、val 和 test 均可接受目录、目录列表，或每行列出一个图像路径的 *.txt 文件（以 ./ 开头的路径相对于 *.txt 文件解析）。*.txt 文件适用于从目录中选取部分数据进行训练、跳过未标注图像，或将多个来源的图像合并到一个数据集划分中。
path: datasets/dota8 # dataset root
train: train.txt # a directory, a list e.g. [images/a, images/b], or a *.txt file
val: val.txt
names:
0: plane用法#
若要使用这些 OBB 格式训练模型：
from ultralytics import YOLO
# 加载预训练的 YOLO26n-OBB 模型
model = YOLO("yolo26n-obb.pt")
# 在 DOTAv1 数据集上训练模型
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)支持的数据集#
目前支持以下带旋转框的数据集。这些数据集中的大多数也托管在 Ultralytics Platform 上，你可以浏览图像和标注、查看数据集统计信息，并克隆数据集以进行云端训练。
- DOTA-v1：DOTA 数据集的第一个版本，提供了全面的航拍图像及其旋转框标注，用于目标检测。
- DOTA-v1.5：DOTA 数据集的中间版本，与 DOTA-v1 相比提供了更多标注和改进，以增强目标检测任务的效果。
- DOTA-v2：DOTA（大规模航拍图像目标检测数据集）第 2 版，侧重于从航空视角进行检测，包含 1.7 百万个实例和 11,268 张图像，并提供旋转框标注。
- DOTA8：完整 DOTA 数据集的一个小型子集，包含 8 张图像，适用于测试工作流，以及在
ultralytics仓库中检查 OBB 训练的持续集成（CI）。 - DOTA8 Multispectral：一个包含 8 张图像、10 个通道的 TIFF 子集，用于在 Ultralytics Platform 上测试多光谱 OBB 训练。
- DOTA128：DOTA 数据集的一个 128 张图像子集，所有图像都位于 train 文件夹中（同时用于训练和验证），在大小和多样性之间取得了良好平衡，适合测试 OBB 模型。
纳入你自己的 OBB 数据集#
如果你想加入自己的旋转框数据集，请确保其兼容上文提到的“YOLO OBB 格式”。将标注转换为所需格式，并在相应的 YAML 配置文件中详细列出路径、类别和类别名称。
转换标签格式#
将 DOTA 数据集格式转换为 YOLO OBB 格式#
可以使用以下脚本，将标签从 DOTA 数据集格式转换为 YOLO OBB 格式：
from ultralytics.data.converter import convert_dota_to_yolo_obb
convert_dota_to_yolo_obb("path/to/DOTA")对于采用 DOTA 格式的数据集，此转换机制至关重要，可确保数据集符合 Ultralytics YOLO OBB 格式。
务必验证数据集与你的模型兼容，并遵循必要的格式规范。合理构建的数据集对于训练高效的旋转框目标检测模型至关重要。
常见问题#
旋转框（OBB）是一种边界框标注类型，框可以旋转，从而比仅与坐标轴对齐的边界框更贴合检测目标。在航拍或卫星图像中，对象可能不会与图像坐标轴对齐，因此这种方式尤其有用。在 Ultralytics YOLO 模型中，OBB 以 YOLO OBB 格式通过四个角点表示。这样可以更准确地检测对象，因为边界框可以旋转，以便更好地贴合对象。
你可以使用 Ultralytics 的
convert_dota_to_yolo_obb函数，将 DOTA 数据集标签转换为 YOLO OBB 格式。此转换可确保与 Ultralytics YOLO 模型兼容，让你能够利用 OBB 功能提升目标检测效果。下面是一个快速示例：from ultralytics.data.converter import convert_dota_to_yolo_obb convert_dota_to_yolo_obb("path/to/DOTA")此脚本会将你的 DOTA 标注重新整理为兼容 YOLO 的格式。
使用 OBB 训练 YOLO26 模型，需要先确保你的数据集采用 YOLO OBB 格式，然后使用 Ultralytics API 训练模型。下面是 Python 和 CLI 示例：
示例from ultralytics import YOLO # 从头创建一个新的 YOLO26n-OBB 模型 model = YOLO("yolo26n-obb.yaml") # 使用自定义数据集训练模型 results = model.train(data="your_dataset.yaml", epochs=100, imgsz=640)这样可以确保模型利用详细的 OBB 标注来提升检测准确率。
目前，Ultralytics 支持以下用于 OBB 训练的数据集：
- DOTA-v1：DOTA 数据集的第一个版本，提供了全面的航拍图像及其旋转框标注，用于目标检测。
- DOTA-v1.5：DOTA 数据集的中间版本，与 DOTA-v1 相比提供了更多标注和改进，以增强目标检测任务的效果。
- DOTA-v2：该数据集包含 11268 张图像和 170 万个有向边界框实例，主要用于航空影像目标检测。
- DOTA8：DOTA 数据集的一个较小子集，仅含 8 张图像，用于测试和持续集成（CI）检查。
- DOTA128：一个包含 128 张图像的子集，所有图像均位于 train 文件夹（train 和 val 共用），比 DOTA8 更多样，同时仍便于开展初期 OBB 模型开发和实验。
这些数据集专为 OBB 能发挥显著优势的场景设计，例如航空影像和卫星图像分析。