Ultralytics 中的 DOTA 数据集实战：面向航空影像的 OBB 旋转框检测、数据集切分与 YOLO26-obb 训练

2026-09-04 10:57:17作者：宗隆裙

Ultralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking

项目地址：https://gitcode.com/GitHub_Trending/ul/ultralytics

本篇技术指南围绕 Ultralytics 仓库中维护的 DOTA（Dataset for Object deTectiOn in Aerial images）数据集文档展开，覆盖 DOTA v1.0 / v1.5 / v2.0 三个版本的规模与差异、官方数据集 YAML 配置、高分辨率影像切分（ultralytics.data.split_dota）的完整工作流，以及基于 YOLO OBB 模型的训练命令。读完本文后，你将能够独立完成 DOTA 数据的下载、切瓦片（tiling）、编写数据集 YAML、并启动一个面向航空影像的旋转边界框（Oriented Bounding Box, OBB）检测训练任务。

一、DOTA 数据集概览：18 类、170 万个旋转框的航空影像基准

DOTA 是面向航空影像目标检测的大规模基准数据集，由武汉大学团队发布，共有 v1.0、v1.5、v2.0 三个版本，累计提供最多约 170 万个 OBB 标注，覆盖 18 个常见类别，影像来自多种传感器与平台（Google Earth、GF-2 卫星等）。

其核心特性包括：

多传感器、多平台采集：影像尺寸跨度极大，从 800 × 800 到 20,000 × 20,000 像素不等；
大规模旋转标注：18 个类别共 170 万+ 个定向边界框（OBB）；
多尺度检测特性：单张影像中目标尺寸分布极广，天然覆盖多尺度检测场景；
专家级任意四边形标注：实例由专家以 8 自由度（8 d.o.f.）任意四边形方式标注，能够捕获不同尺度、朝向与形状的目标。

OBB 以旋转矩形形式包裹目标（无论其朝向），因此特别契合航空影像中飞机、船舶、建筑物等具有明显方向性的目标，这也是 DOTA 与普通水平框（HBB）检测数据集最大的区别。

二、DOTA 三个版本的差异

DOTA-v1.0

包含 15 个常见类别；
共 2,806 张图像、188,282 个实例；
划分比例约 1/2 训练（1,411 张）、1/6 验证（458 张）、1/3 测试（937 张）。

DOTA-v1.5

图像与 DOTA-v1.0 完全相同；
补充标注了极小实例（小于 10 像素的目标）；
新增一个类别：container crane（集装箱起重机）；
实例总数达到 403,318 个；
最初为 DOAI 2019 航空影像目标检测挑战赛发布。

DOTA-v2.0

在 v1 基础上引入 Google Earth、GF-2 卫星及其他航空影像；
包含 18 个类别，新增 airport（机场）与 helipad（直升机坪）两个类别；
共 11,268 张图像、1,793,658 个实例；
图像划分为四个子集：

子集	图像数	实例数
Training	1,830	268,627
Validation	593	81,048
Test-dev	2,792	353,346
Test-challenge	6,053	1,090,637

三、数据集结构与标注形式

DOTA 的目录结构是为 OBB 检测任务量身设计的：

Images：大量高分辨率航空影像，覆盖多样的地形与地物；
标注：以旋转矩形（OBB）包裹目标，不限制目标朝向，适合飞机、船舶、建筑物等具有方向特征的对象。

在 Ultralytics 工作流中，标注以 YOLO OBB 格式存储为 .txt 文件：每行一个目标，格式为 class_id x1 y1 x2 y2 x3 y3 x4 y4（归一化坐标的四点四边形），与水平框格式相比多出一个顶点。切分工具 ultralytics.data.split_dota 输出的标签正是这一格式（见下文 crop_and_save 的写盘逻辑）。

四、数据集 YAML：Ultralytics 官方配置

数据集 YAML 用于指定图像/标签根目录、类别名等元数据。Ultralytics 在仓库中为最常用的两个发布版本维护了官方 YAML：

请以你实际下载的发布版本为准选择对应 YAML；如果使用的是 DOTA-v2 或派生数据，可自行编写一份自定义 YAML。这两个官方 YAML 均支持自动下载（约 2 GB），首次训练时会自动从 Ultralytics 资产仓库拉取。

DOTAv1.yaml 完整内容

# DOTA 1.0 dataset https://captain-whu.github.io/DOTA/index.html for object detection in aerial images by Wuhan University
# Example usage: yolo train model=yolov8n-obb.pt data=DOTAv1.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── DOTAv1 ← downloads here (2 GB)

# 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: DOTAv1 # dataset root dir
train: images/train # train images (relative to 'path') 1411 images
val: images/val # val images (relative to 'path') 458 images
test: images/test # test images (optional) 937 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/DOTAv1.zip

对照 DOTAv1.5.yaml，两者差异仅有两点：类别表在第 15 号新增了 container crane，以及 path 与 download 指向 v1.5 的数据根目录与压缩包。15 个 v1.0 类别为：plane、ship、storage tank、baseball diamond、tennis court、basketball court、ground track field、harbor、bridge、large vehicle、small vehicle、helicopter、roundabout、soccer ball field、swimming pool。

要点说明：

train/val/test 支持三种写法：目录、imgs.txt 文件、路径列表；DOTA 官方数据使用的是目录形式；
末尾的 download 字段是关键——只要本地不存在 path 指定的数据目录，Ultralytics 会按该 URL 自动下载并解压；
若使用自己切分（split）后的目录，需将 train/val 指向切分输出目录（见下节的输出布局约定）。

五、切分高分辨率 DOTA 影像：split_dota 源码级解析

DOTA 原始影像单边动辄超过 10,000 像素，无法直接喂给 YOLO，必须先切片（tiling）。仓库内置的 split_dota 模块可把原始影像切成 1024 × 1024 的重叠瓦片，并支持多尺度，同时保证标注同步切分。

5.1 官方调用示例

from ultralytics.data.split_dota import split_test, split_trainval

# Split train and val set, with labels.
split_trainval(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)
# Split test set, without labels.
split_test(
    data_root="path/to/DOTAv1.0/",
    save_dir="path/to/DOTAv1.0-split/",
    rates=[0.5, 1.0, 1.5],  # multiscale
    gap=500,
)

5.2 参数语义（结合源码）

对照 split_dota.py 中 split_trainval 与 split_test 的函数签名（默认值 crop_size=1024, gap=200, rates=(1.0,)），各参数的实际含义为：

data_root：DOTA 数据根目录，需满足标准布局——images/train、images/val（test 则只读 images/test）以及对应的 labels/train、labels/val；
save_dir：切分结果输出目录；
rates：多尺度比例。源码中对每个 r 执行 crop_sizes.append(int(crop_size / r))、gaps.append(int(gap / r))，即 r = 0.5 时瓦片放大到 2048，r = 1.5 时缩小到约 683——比例越大瓦片越小，从而让模型同时看到大目标与小目标；
gap：瓦片之间的重叠像素数（overlap），保证跨瓦片目标不被切断丢失。源码要求 crop_size > gap，且以 step = crop_size - gap 作为滑窗步长；
crop_size：基础瓦片尺寸，默认 1024，对应文档推荐的 1024 × 1024 切块。

5.3 内部流水线

从源码结构看，split_trainval 的处理链分为三步（split_images_and_labels → 逐图执行）：

load_yolo_dota：读取每张图的尺寸（经 exif_size 处理 EXIF 旋转），并把对应 .txt 标签解析为 float32 数组；
get_windows：按滑窗策略计算切块坐标，过滤掉图像内容占比低于 im_rate_thr（默认 0.6）的边缘残窗；
get_window_obj + crop_and_save：基于 bbox_iof（Intersection over Foreground，依赖 shapely>=2.0.0）计算目标四边形与瓦片的 IoF，默认阈值 iof_thr=0.7——只有 70% 以上面积落入某瓦片的目标才会写入该瓦片标签；随后裁剪图像并写标签。

细节值得注意：

输出瓦片的命名规则为 {原图名}__{宽}__{x起点}___{y起点}（如 P0000__1024__4896___0），其中宽高字段用于推理时反向定位大影像中的全局坐标；
标签写入时执行了坐标平移（减去瓦片起点）与归一化（除以瓦片宽高），输出即为 YOLO OBB 格式；
allow_background_images（默认 True）控制是否保留不含目标的纯背景瓦片；
输出目录遵循标准 YOLO 布局：save_dir/images/{train,val,test} 与 save_dir/labels/{train,val}，因此可直接被数据集 YAML 引用；
模块底部的 __main__ 入口给出了 DOTAv2 的默认用法：split_trainval(data_root="DOTAv2", save_dir="DOTAv2-split") 与 split_test(...)。

经验提示：保持输出目录为标准 YOLO 布局（images/train、labels/train 等），即可直接在自定义 YAML 中引用；split_test 只输出图像（无标签），因为测试集标签不对外公布。

六、使用 DOTA 训练 OBB 模型

6.1 训练示例

在 DOTA v1 上从零训练一个 YOLO26n-OBB 模型：

from ultralytics import YOLO

# Create a new YOLO26n-OBB model from scratch
model = YOLO("yolo26n-obb.yaml")

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

CLI 等价形式：

# Train a new YOLO26n-OBB model on the DOTAv1 dataset
yolo obb train data=DOTAv1.yaml model=yolo26n-obb.pt epochs=100 imgsz=1024

注意两点：

必须走 obb 任务（yolo obb train ...），OBB 头输出的正是旋转框参数；
OBB 模型结构 YAML 由仓库统一维护，例如 yolo26-obb.yaml（v8/v11/v12 系列亦有对应 OBB 结构文件）。yolo26n-obb.yaml 这类"带尺寸后缀"的名字在调用时由模型注册机制解析到对应规模的结构。

6.2 快速验证管道：DOTA8

正式投入 DOTA 大训练前，建议先用 DOTA8 数据集跑通流程。DOTA8 取自切分后 DOTAv1 的前 8 张图像（4 训练 / 4 验证），约 1 MB，首次训练会自动下载，继承 DOTAv1 的 15 个类别，其配置见 dota8.yaml。

from ultralytics import YOLO

model = YOLO("yolo26n-obb.pt")  # 加载预训练权重（推荐）
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

yolo obb train data=dota8.yaml model=yolo26n-obb.pt epochs=100 imgsz=640

训练参数（epochs、imgsz、batch 等）的完整清单请参考仓库中的训练模式文档与 default.yaml 默认值。

6.3 许可证注意事项

DOTAv1 的全部图像与标注仅可用于学术目的，禁止商业用途，请遵守数据创建方的授权约定。DOTA 各版本整体遵循 Research-Only 许可，商用前请自行核实官方许可条款。

七、应用场景

DOTA 是训练与评估"航空影像专用"模型的基准。OBB 标注带来的独特挑战，促使发展出针对航空影像特性的专用检测模型。典型落地方向包括：

遥感监测（港口、机场、农田基础设施盘点）；
安防与区域监视（车辆、直升机、船只动向跟踪）；
环境监测与灾害管理（受灾区域目标普查）。

得益于 170 万级标注与 18 类覆盖，DOTA-v2.0 在遥感与航空监视项目中尤为常用。

八、样例数据与标注

DOTA 的样例影像直观体现了航空场景的复杂度与旋转框标注的必要性：目标以其自然朝向（任意角度）出现，用水平框会引入大量冗余背景；OBB 则精确贴合飞机、船舶、车辆的几何形状。这种标注方式是 DOTA 区别于通用检测数据集的核心价值。

九、引用信息

若在你的研究中使用了 DOTA，请引用其论文：

@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}
}

致谢：感谢 DOTA 数据团队在数据整理上的贡献。关于数据集的完整说明（类别定义、划分、下载入口）可查阅 DOTA 官方网站（captain-whu.github.io/DOTA）。

十、常见问题（FAQ）

Q1：DOTA 数据集是什么？为什么对航空影像目标检测重要？ DOTA 是专注于航空影像目标检测的专用数据集，使用 OBB 旋转框标注。其 170 万条标注与 18 个类别在目标朝向、尺度、形状上的多样性，使其成为开发和评估航空影像专用模型（监视、环境监测、灾害管理等场景）的理想基准。

Q2：DOTA 如何处理不同尺度和朝向的目标？ 标注采用 OBB，以旋转矩形包裹目标，与目标朝向无关，小目标与任意角度的目标都能被精确捕获；加上影像尺寸横跨 800 × 800 到 20,000 × 20,000 像素的多尺度场景，可同时对大小目标做出有效检测。配合 split_dota 的 rates 多尺度切分，训练时还能显式覆盖不同瓦片尺度。

Q3：如何用 DOTA 训练模型？ 使用上文"六、使用 DOTA 训练 OBB 模型"中的 Python/CLI 示例：data=DOTAv1.yaml、imgsz=1024（与切分瓦片尺寸一致），走 obb 任务。切分与预处理细节见本文第五节。

Q4：DOTA-v1.0、v1.5、v2.0 有何区别？

v1.0：15 类、2,806 张图、188,282 实例，按约 1/2、1/6、1/3 划分训练/验证/测试；
v1.5：图像不变，补充 <10 像素极小实例标注并新增 container crane 类，实例达 403,318；
v2.0：引入 Google Earth 与 GF-2 卫星影像，扩展至 18 类（新增 airport、helipad），11,268 张图、1,793,658 实例。

Q5：如何为训练准备高分辨率 DOTA 影像？ 使用 split_dota 中的 split_trainval / split_test：以 rates=[0.5, 1.0, 1.5]、gap=500 多尺度切出重叠瓦片，标签同步切分并归一化，输出为标准 YOLO 目录结构，再在数据集 YAML 中指向切分目录即可。