开始使用

DOTA8 数据集

简介#

Ultralytics DOTA8 是一个小型有向目标检测数据集,由 DOTAv1 集合中拆分部分的前 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,或试验新的检测方法。它只有 8 张图像,易于管理,同时又具有足够的多样性,可用于检查训练流程中的错误,并在训练更大的数据集之前进行合理性检查。

数据集结构#

  • 图像:8 张航空影像切片(4 张用于 train,4 张用于 val),来源于 DOTAv1。

  • 类别:沿用 DOTAv1 的 15 个类别,例如飞机、船只和大型车辆。

  • 标签:采用 YOLO 格式的有向边界框,保存在每张图像旁边的 .txt 文件中。

  • 下载:大小为 1 MB,首次训练时会自动从 Ultralytics GitHub 资源下载。

  • 推荐目录结构:

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

访问 Ultralytics Platform 上的 DOTA8,浏览带有有向边界框叠加标注的航空影像切片,在 Charts 标签页查看类别分布和标注热力图,还可以克隆数据集并在云端训练自己的模型。

数据集 YAML#

使用 YAML 文件定义数据集配置,其中包含数据集路径、类别及其他相关信息。对于 DOTA8 数据集,dota8.yaml 文件由 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dota8.yaml 维护。

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 数据集上以 640 的图像尺寸训练YOLO26n-obb模型 100 个周期,可以使用以下代码片段。

训练示例
from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-obb.pt")  # 加载预训练模型(推荐用于训练)

# 训练模型
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

示例图像和标注#

以下是 DOTA8 数据集中的一些图像示例及其对应标注:

DOTA8 oriented bounding box dataset training mosaic
  • 马赛克图像:此图像展示了由数据集马赛克图像组成的训练批次。马赛克是一种训练时使用的技术,它将多张图像合并为一张图像,从而增加每个训练批次中目标和场景的多样性。这有助于提升模型对不同目标尺寸、长宽比和上下文的泛化能力。

此示例展示了 DOTA8 数据集中图像的多样性和复杂性,以及训练过程中使用马赛克增强的优势。

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}
}

我们感谢 DOTA 数据集背后的团队对数据集进行整理。有关数据集的完整详情,请访问 DOTA 官方网站。

常见问题#

  • DOTA8 是一个小型有向目标检测数据集,由 DOTAv1 拆分集合中的前 8 张图像组成,其中 4 张用于训练,4 张用于验证。它非常适合测试和调试 Ultralytics YOLO26 等目标检测模型。由于规模易于管理且数据具有多样性,它有助于在使用更大的数据集训练前发现流程错误并进行合理性检查。

  • 要使用 DOTA8 数据集训练 YOLO26n-obb 模型 100 个周期,图像尺寸设为 640,可以使用以下代码片段。有关参数选项的完整信息,请参阅模型的训练页面。

    训练示例
    from ultralytics import YOLO
    
    # 加载模型
    model = YOLO("yolo26n-obb.pt")  # 加载预训练模型(推荐用于训练)
    
    # 训练模型
    results = model.train(data="dota8.yaml", epochs=100, imgsz=640)
  • DOTA 数据集以大规模基准及其在航空图像目标检测方面带来的挑战而闻名。DOTA8 子集规模较小、易于管理,非常适合初步测试。包含路径、类别和配置详情的 dota8.yaml 配置文件由 Ultralytics GitHub 仓库维护。

  • Mosaicing 会在训练期间将多张图像合成为一张,从而增加每个批次中对象和上下文的多样性。这可以增强模型对不同对象尺寸、宽高比和场景的泛化能力。

  • Ultralytics YOLO26 支持实时目标检测(包括有向边界框 (OBB)),也支持实例分割等其他任务,所有任务均可通过同一训练流程完成。其预训练模型让微调更加高效。

评论2

提出问题、分享结果,或帮助其他人。

  1. expen6veGitHub

    How do you create a dataset for OBB? can i use the visdrone dataset to train an obb model?

    1. Glenn JocherUltralytics

      @expen6ve yes, you can use VisDrone with YOLO OBB by converting your annotations to YOLO OBB format (four corner points with normalized coordinates). Create a dataset YAML file following our DOTA8 example structure, and ensure annotations match the required class_index x1 y1 x2 y2 x3 y3 x4 y4 format. For conversion tools and format details, see our OBB Dataset Guide.