Link to this sectionDOTA8 数据集#

Link to this section简介#

Ultralytics DOTA8 是一个小巧且功能多样的旋转目标检测数据集，由拆分后的 DOTAv1 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。该数据集非常适合测试和调试目标检测模型，或用于尝试新的检测方法。它仅包含 8 张图像，不仅小巧易用，且具备足够的多样性，能够用于测试训练管线是否存在错误，并在训练更大规模的数据集之前进行完整性检查。

Link to this section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：YOLO 格式的旋转边界框，保存为每张图像旁边的 .txt 文件。

• 推荐布局：

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

此数据集旨在与 Ultralytics Platform 和 YOLO26 配合使用。

Link to this section数据集 YAML#

使用 YAML (Yet Another Markup Language) 文件来定义数据集配置。它包含关于数据集路径、类别及其他相关信息。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 🚀 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

Link to this section用法#

若要在 DOTA8 数据集上训练 YOLO26n-obb 模型 100 个 epoch，且图像尺寸为 640，你可以使用以下代码片段。如需获取可用参数的完整列表，请参考模型训练页面。

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)

Link to this section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：

• 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。

Link to this section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：

@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={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3117983}
}

特别感谢 DOTA 数据集背后的团队，他们为整理此数据集所做的努力值得称赞。如需全面了解该数据集及其细节，请访问 DOTA 官方网站。

Link to this section常见问题解答#

Link to this section什么是 DOTA8 数据集，如何使用它？#

DOTA8 数据集是一个小巧且多功能的旋转目标检测数据集，由来自 DOTAv1 拆分集合的前 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像 Ultralytics YOLO26 这样的目标检测模型。由于其易于管理的大小和多样性，它有助于在部署更大规模数据集之前识别管线错误并进行完整性检查。通过 Ultralytics YOLO26 了解更多关于目标检测的信息。

Link to this section我该如何使用 DOTA8 数据集训练 YOLO26 模型？#

若要在 DOTA8 数据集上训练 YOLO26n-obb 模型 100 个 epoch，且图像尺寸为 640，你可以使用以下代码片段。如需获取全面的参数选项，请参考模型训练页面。

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)

Link to this sectionDOTA 数据集的主要特点是什么，我在哪里可以获取 YAML 文件？#

The DOTA dataset is known for its large-scale benchmark and the challenges it presents for object detection in aerial images. The DOTA8 subset is a smaller, manageable dataset ideal for initial tests. You can access the dota8.yaml file, which contains paths, classes, and configuration details, at this GitHub link.

Link to this section马赛克（Mosaicing）如何增强 DOTA8 数据集的模型训练？#

马赛克（Mosaicing）在训练过程中将多张图像合并为一张，从而增加了每个批次中物体和上下文的多样性。这提高了模型泛化到不同物体尺寸、纵横比和场景的能力。通过由马赛克处理后的 DOTA8 数据集图像组成的训练批次，可以直观地展示此技术，从而帮助开发更稳健的模型。在我们的训练页面上探索更多关于马赛克（Mosaicing）和训练技术的内容。

Link to this section为什么我应该使用 Ultralytics YOLO26 进行目标检测任务？#

Ultralytics YOLO26 提供最先进的实时目标检测能力，包括旋转边界框（OBB）、实例分割和功能高度通用的训练管线。它适用于各种应用场景，并提供用于高效微调的预训练模型。在 Ultralytics YOLO26 文档 中进一步探索其优势和用法。