DOTA8 数据集#
简介#
Ultralytics DOTA8 是一个小巧而灵活的有向目标检测数据集，由 DOTAv1 划分集中的前 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，也适合尝试新的检测方法。它仅有 8 张图像，易于管理，同时又足够多样，可用于检查训练流水线中的错误，并在训练更大的数据集前进行基本验证。
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 🚀 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。有关可用参数的完整列表，请参阅模型的训练页面。
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：
- 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：
@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 数据集团队为整理该数据集所付出的卓越努力。要全面了解该数据集及其细节，请访问 DOTA 官方网站。
常见问题#
DOTA8 数据集是一个小巧灵活的有向目标检测数据集，由 DOTAv1 划分集中的前 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具有一定多样性，它有助于在使用更大数据集训练前发现流水线错误并进行基本检查。了解更多关于使用 Ultralytics YOLO26 进行目标检测的信息。
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测试集著称，也因其对航空影像目标检测提出的挑战而闻名。DOTA8 子集规模较小且易于管理，非常适合初步测试。你可以通过此 GitHub 链接获取
dota8.yaml文件，其中包含路径、类别和配置信息。马赛克增强会在训练过程中将多张图像合并为一张，从而增加每个批次中物体和场景的多样性。这能提升模型对不同物体尺寸、宽高比和场景的泛化能力。你可以通过由 DOTA8 数据集图像组成的马赛克训练批次直观地了解此技术，这有助于稳健地开发模型。访问我们的训练页面，进一步了解马赛克增强和训练技巧。
Ultralytics YOLO26 提供先进的实时目标检测能力，包括有向边界框（OBB）、实例分割等功能，以及高度灵活的训练流水线。它适用于各种应用，并提供预训练模型，便于高效微调。请访问 Ultralytics YOLO26 文档，进一步了解其优势和用法。