YOLO Vision 2026：
Research

DOTA8 数据集#

简介#

Ultralytics DOTA8 是一个小型但功能全面的旋转目标检测数据集，由 DOTAv1 划分集的最初 8 张图像组成，其中 4 张用于训练，4 张用于验证。该数据集非常适合测试和调试目标检测模型，或尝试新的检测方法。凭借 8 张图像，它既小得易于管理，又足够多样化，可以测试训练流水线中的错误，并在训练大型数据集之前充当健全性检查。

数据集结构#

  • 图像：8 张来自 DOTAv1 的航空瓦片（4 张用于训练，4 张用于验证）。

  • 类别：继承了 DOTAv1 的 15 个类别，例如飞机、船舶和大型车辆。

  • 标签：保存为每张图像旁边的 .txt 文件的 YOLO 格式旋转边界框。

  • 下载：1 MB，首次训练时会自动从 Ultralytics GitHub 资源中获取。

  • 推荐布局：

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

在 Ultralytics Platform 上探索 DOTA8，以浏览带有旋转框叠加层的航拍瓦片，在图表标签页中查看类别分布和标注热图，并克隆它以便在云端训练你自己的模型。

数据集 YAML#

YAML 文件用于定义数据集配置。它包含有关数据集路径、类别和其他相关信息。对于 DOTA8 数据集，dota8.yaml 文件维护在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml。

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

用法#

要在 DOTA8 数据集上训练 YOLO26n-obb 模型 100 个轮次且图像大小为 640，你可以使用以下代码片段。有关可用参数的完整列表，请参考模型训练页面。

训练示例
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)

样本图像和标注#

以下是来自 DOTA8 数据集的一些图像示例，以及它们对应的标注：

DOTA8 oriented bounding box dataset training mosaic
  • 马赛克图像：此图像展示了一个由马赛克数据集图像组成的训练批次。马赛克是一种在训练期间使用的技术，它将多张图像合并为单张图像，以增加每个训练批次中物体和场景的多样性。这有助于提高模型对不同物体尺寸、宽高比和上下文的泛化能力。

该示例展示了 DOTA8 数据集中图像的多样性和复杂性，以及在训练过程中使用马赛克（Mosaicing）增强的好处。

引用与致谢#

如果你在研究或开发工作中使用 DOTA 数据集，请引用以下论文：

引用
@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}
}

特别感谢 DOTA 数据集背后的团队在策展该数据集时做出的值得称赞的努力。要全面了解该数据集及其细节，请访问官方 DOTA 网站。

常见问题解答#

  • DOTA8 数据集是一个小型、多功能的旋转目标检测数据集，由 DOTAv1 划分集的前 8 张图像组成，其中 4 张图像指定用于训练，4 张用于验证。它是测试和调试 Ultralytics YOLO26 等目标检测模型的理想选择。由于其易于管理的大小和多样性，它有助于在部署大型数据集之前识别流水线错误并运行健全性检查。通过 Ultralytics YOLO26 了解有关目标检测的更多信息。

  • 要在 DOTA8 数据集上训练 YOLO26n-obb 模型 100 个 epochs 且图像大小为 640，你可以使用以下代码片段。有关全面的参数选项，请参考模型训练页面。

    训练示例
    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)

  • DOTA 数据集以其大规模基准测试以及对航拍图像中目标检测带来的挑战而闻名。DOTA8 子集是一个更小、更易于管理的且非常适合进行初步测试的数据集。你可以通过此 GitHub 链接访问包含路径、类别和配置详细信息的 dota8.yaml 文件。

  • 马赛克拼接（Mosaicing）在训练期间将多张图像合并为一张，从而增加每个批次中对象和上下文的多样性。这提高了模型泛化到不同对象大小、宽高比和场景的能力。这项技术可以通过由拼接后的 DOTA8 数据集图像组成的训练批次进行直观演示，从而有助于稳健的模型开发。在我们的训练页面上探索有关马赛克拼接和训练技术的更多信息。

  • Ultralytics YOLO26 提供尖端的实时目标检测功能，包括旋转边界框（OBB）、实例分割以及高度多功能的训练流水线。它适用于各种应用程序，并提供用于高效微调的预训练模型。在 Ultralytics YOLO26 文档中进一步探索优势和用法。

贡献者
GLglenn-jocher13RAraimbekovm3PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1LALaughing-q1

评论