定向边界框（OBB）数据集概览#

8

DOTA8 Multispectral

ultralytics

publicOBB

DOTA8 Multispectral is an eight-image oriented-detection utility with genuine 10-channel TIFF aerial inputs. Four training and four validation images pair DOTA's 15-class taxonomy with rotated quadrilaterals for focused multispectral pipeline validation.

15 classes36 MBSep 2, 2026

planeshipstorage tankbaseball diamond+11

aerialobbremote-sensing+3

使用定向边界框（OBB）训练精确的目标检测模型需要完善的数据集。本指南介绍了与 Ultralytics YOLO 模型兼容的各种 OBB 数据集格式，并讲解其结构、应用和格式转换方法。

支持的 OBB 数据集格式#

YOLO OBB 格式#

YOLO OBB 格式使用四个角点的坐标表示边界框，这些坐标归一化到 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。

对于上图，包含 0 类对象的 OBB 格式 *.txt 标签文件示例如下：

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。以下是用于定义 OBB 数据集的 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.zip

train、val 和 test 均可接受目录、目录列表，或列出图像路径的 *.txt 文件（以 ./ 开头的路径将相对于 *.txt 文件解析）。使用 *.txt 文件可以在目录的子集上训练、跳过未标注图像，或将来自多个来源的图像合并到一个数据划分中。

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

使用方法#

要使用这些 OBB 格式训练模型：

from ultralytics import YOLO

# Load a pretrained YOLO26n-OBB model
model = YOLO("yolo26n-obb.pt")

# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)

支持的数据集#

目前，支持以下带旋转边界框的数据集。大多数这些数据集也托管在 Ultralytics Platform 上，你可以在该平台上浏览图像和标注、查看数据集统计信息，并克隆这些数据集用于云端训练。

• DOTA-v1：DOTA 数据集的第一个版本，提供了全面的航空图像以及用于目标检测的定向边界框。
• DOTA-v1.5：DOTA 数据集的中间版本，相比 DOTA-v1 提供了更多标注和改进，可用于更高质量的目标检测任务。
• DOTA-v2：DOTA（大规模航空图像目标检测数据集）的第 2 版，重点关注航空视角下的检测，包含 170 万个实例和 11,268 张图像，其中带有定向边界框。
• DOTA8：完整 DOTA 数据集的一个包含 8 张图像的小型子集，适合测试工作流以及 ultralytics 仓库中 OBB 训练的持续集成（CI）检查。
• DOTA8 Multispectral：一个包含 8 张图像和 10 个通道的 TIFF 子集，用于在 Ultralytics Platform 上测试多光谱 OBB 训练。
• DOTA128：DOTA 数据集的一个包含 128 张图像的子集，所有图像都位于 train 文件夹中（同时用于 train 和 val），在测试 OBB 模型时兼顾了规模和多样性。

引入你自己的 OBB 数据集#

如果你希望引入包含定向边界框的数据集，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 配置文件中详细指定路径、类别和类别名称。

转换标签格式#

DOTA 数据集格式转换为 YOLO OBB 格式#

你可以使用以下脚本将 DOTA 数据集格式的标签转换为 YOLO OBB 格式：

from ultralytics.data.converter import convert_dota_to_yolo_obb

convert_dota_to_yolo_obb("path/to/DOTA")

此转换机制对于 DOTA 格式的数据集至关重要，可确保其与Ultralytics YOLO OBB 格式保持一致。

务必验证数据集与你的模型的兼容性，并遵循必要的格式约定。结构正确的数据集是训练高效目标检测模型（尤其是使用定向边界框的模型）的关键。

常见问题#