DOTAv2.0遥感数据集VOC+YOLO格式转换与YOLOv8训练实战

简介：目标检测是计算机视觉的核心任务，在遥感航拍场景中，目标尺度差异大、方向任意、背景复杂，对数据组织和模型训练提出了更高要求。理解VOC与YOLO两种标注格式的存储原理与坐标转换方法，是高效复用公开数据集的基础能力。统一的标签格式能显著提升工程迭代效率，在无人机巡检、智慧城市、船舶监测等应用中发挥关键作用。DOTAv2.0作为遥感检测领域的基准数据集，其整理后的VOC+YOLO格式版本可直接用于YOLOv5、YOLOv8等主流框架训练，帮助开发者快速验证模型效果。本文基于该数据集，系统梳理目录结构、标注格式转换、训练参数配置及常见踩坑问题，为遥感航拍目标检测实践提供一套可复用的参考方案。 遥感航拍目标检测这几年真的是越来越卷，不管是无人机巡检、卫星影像分析，还是智慧城市里的车辆和建筑识别，大家都想用现成的模型快速出效果。而提到遥感目标检测，DOTAv2.0数据集几乎是绕不开的一个名字。这篇博客要聊的，就是一份整理好的DOTAv2.0数据集压缩包：VOC+YOLO格式、4840张图、16个类别，解压后可以直接扔进YOLOv5、YOLOv8甚至SSD训练。我拿到这份数据之后，从目录结构、标注格式、训练配置到踩坑记录整个过了一遍，这里把完整经验整理出来。

这篇内容适合谁？一是刚接触目标检测、还不太会转数据格式的初学者，二是已经在做遥感或航拍落地项目、需要快速用标准数据集验证模型的同学。读完你不仅能搞清楚VOC和YOLO两种格式到底怎么互转，还能直接用我验证过的训练配置跑起来，少走很多弯路。

1. 数据集是什么，DOTAv2.0为什么是遥感检测的硬通货

1.1 从DOTA到DOTAv2.0，这份数据的来头

DOTA数据集全称是A Large-Scale Dataset for Object Detection in Aerial Images，出自武汉大学相关团队，后来经过多个版本迭代，成了航空影像目标检测领域最常用的benchmark之一。它的图像来源主要是卫星和航空摄影平台，每张图分辨率都很高，常见的是几千乘几千像素，甚至上万像素的大图，跟普通COCO那种日常照片完全是两个世界。

DOTAv2.0在v1.0的基础上扩充了图片数量和类别覆盖，图像含有的目标更密集，目标尺度变化更大。原版标注用了旋转框（Oriented Bounding Box，简称OBB），也就是说每个目标不是用普通的水平矩形框住的，而是会跟着飞机、船舶、车辆的实际朝向画一个带角度的矩形。这在遥感场景里很有必要，因为航拍视角下目标不总是横平竖直的。不过很多人刚开始接触，并不想一上来就卷旋转框检测，所以网上出现了很多把DOTA转成水平框、整理成VOC和YOLO格式的版本，本文说的就是这种。

这份数据集的标题信息很直白：4840张图像、16个目标类别、已经整理成VOC（xml）和YOLO（txt）两种格式。也就是说，常规的YOLO系列模型直接就能训，不用再自己写坐标转换脚本。

1.2 16个类别都包含什么，为什么检测难度不小

从DOTAv2.0全量18类中筛掉两个或合并后的16类，核心类别大致如下：

这张表列出来，你就能感受到遥感目标检测和普通目标检测的差异：目标方向性很强，很多小目标只有几十个像素；背景更复杂，阴影、建筑、遮挡满天飞；目标的尺度跨度极大，一架飞机可能占图面积的几分之一，一辆车可能只有几个像素。所以直接拿这份数据训练，mAP不会像COCO那样轻松到零点几，需要针对性地调参、切片、增强。

1.3 为什么有了旋转框，还要用水平框版本

原版DOTA标注旋转框，是为了更精确地描述目标边界，但在实际工程里，水平框检测（Horizontal Bounding Box，简称HBB）仍然是很多业务的主流。原因有三点：

1. 部署简单。很多边缘设备上跑的检测模型只支持水平框输出，后处理不用算角度回归。
2. 精度够用。在船舶、车辆计数、区域密度分析这类场景中，水平框的中心点和尺寸已经能支撑业务指标。
3. 生态成熟。YOLO系列、SSD、Faster R-CNN这些主流模型和部署框架，对水平框训练的支持最稳。

所以这份数据集做了旋转框到水平框的转换，本质上是把DOTAv2.0从“科研专用”变成“工程可用”。如果你后续想上旋转框检测，也可以基于这份数据的原图，自己从DOTA官网下载OBB标注重新做，后面我会展开讲。

2. 格式解析：VOC和YOLO标注到底怎么存，怎么转

2.1 VOC格式：一个图对应一个xml文件

VOC格式源自Pascal VOC竞赛，目录结构通常是：

VOCdevkit/ ├── VOC2007/ │ ├── JPEGImages/ # 存放所有jpg图片 │ ├── Annotations/ # 存放所有xml标注 │ ├── ImageSets/ │ │ └── Main/ # 存放train.txt、val.txt、trainval.txt

每个xml文件的名字和对应图片名字一致，里面记录图片尺寸、路径，以及每个目标的类别和边界框。核心结构长这样：

<annotation> <folder>JPEGImages</folder> <filename>P0000.jpg</filename> <size> <width>1024</width> <height>1024</height> <depth>3</depth> </size> <object> <name>plane</name> <bndbox> <xmin>100</xmin> <ymin>200</ymin> <xmax>300</xmax> <ymax>400</ymax> </bndbox> </object> </annotation>

VOC格式的优点是直观、通用，很多传统检测框架都以此为输入；缺点是同样信息量，xml文件比txt文件大得多，读写也慢。如果你要自己造数据集，建议先写一个生成xml的小工具，便于后面转YOLO。

2.2 YOLO格式：归一化的txt文件

YOLO格式是Darknet/YOLOv5/YOLOv8等通用的标注格式，每一张图对应一个txt文件，文件名与图片名一致（后缀不同）。txt文件里每行是一个目标：

class_id x_center y_center width height

所有坐标都是相对于图片宽高的归一化值，范围在0到1之间，中心点坐标、宽高都是比例值。举个例子：

2 0.512345 0.384502 0.102340 0.065291

这行表示类别id为2的框，中心点在图片横向51.2%、纵向38.4%的位置，框宽占图片宽度的10.23%，高度占图片高度的6.53%。这么做的好处很明显：不管图片缩放成什么尺寸，标注都不需要跟着改，模型训练时任意resize图片，标签依然有效。

2.3 坐标转换公式，以及绕不开的坑

从VOC到YOLO的转换，核心公式如下：

x_center = (xmin + xmax) / 2 / image_width y_center = (ymin + ymax) / 2 / image_height width = (xmax - xmin) / image_width height = (ymax - ymin) / image_height

看起来简单，但里面有几个容易翻车的地方：

1. 类别id必须从0开始编号，比如plane是0，ship是1，不能从1开始。
2. 如果xml里有目标超出了图片边界，比如xmax比image_width还大，直接归一化会有大于1的值，训练时YOLO会警告甚至丢弃样本，需要做裁剪或过滤。
3. 在Windows上写脚本时，xml里标签字符串首尾可能带空格或换行符，建议加strip()处理。

下面是一个可以直接跑的转换脚本核心片段：

import xml.etree.ElementTree as ET def voc_to_yolo(xml_file, class_names, out_txt): tree = ET.parse(xml_file) root = tree.getroot() img_w = int(root.find('size/width').text) img_h = int(root.find('size/height').text) lines = [] for obj in root.iter('object'): name = obj.find('name').text.strip() if name not in class_names: continue class_id = class_names.index(name) xmin = float(obj.find('bndbox/xmin').text) ymin = float(obj.find('bndbox/ymin').text) xmax = float(obj.find('bndbox/xmax').text) ymax = float(obj.find('bndbox/ymax').text) x_center = (xmin + xmax) / 2 / img_w y_center = (ymin + ymax) / 2 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f"{class_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") with open(out_txt, 'w') as f: f.write("\n".join(lines))

我更推荐在入训练前先画一批可视化框检查，别直接开训。因为很多人转换时方向错了或者坐标弄反，训练半天才发现标注全乱了，白烧显卡。

2.4 这份数据集的目录结构长什么样

压缩包解压后，我建议整理成如下结构，YOLOv5和YOLOv8都能直接识别：

dota_v2_dataset/ ├── images/ │ ├── train/ # 约3400张 │ └── val/ # 约1440张 ├── labels/ │ ├── train/ # 与images/train对应的txt标注 │ └── val/ # 与images/val对应的txt标注 ├── voc/ │ ├── train/ # VOC格式xml标注（可选保留） │ └── val/ ├── data.yaml

一般在网盘下载的版本里，图片可能集中在jpg文件夹、labels_yolo、labels_voc等几个目录，需要自己用脚本合并。整理时最关键的是保证图片文件和标注文件的名字完全一致，且一一对应，多一个txt、少一个txt都会让训练报错。

data.yaml的内容如下：

train: ./images/train val: ./images/val nc: 16 names: ['plane', 'ship', 'storage-tank', 'baseball-diamond', 'tennis-court', 'basketball-court', 'ground-track-field', 'soccer-ball-field', 'large-vehicle', 'small-vehicle', 'helicopter', 'roundabout', 'harbor', 'swimming-pool', 'bridge', 'container-crane']

注意类别顺序必须和txt标签里的class_id一致，不然模型训练的每一轮都在学错误映射。

3. 实操过程：把YOLOv8训练跑起来

3.1 环境准备和检查

我用的是ultralytics的YOLOv8，PyTorch 2.x，CUDA 11.8。安装很简单：

pip install ultralytics

训练前先检查数据完整性。写一个小脚本统计一下train里图片和txt数量是否一致，顺便看看每个类别的目标数量，这对后面判断训练效果很有参考价值：

import os from pathlib import Path img_dir = Path('images/train') label_dir = Path('labels/train') img_files = set(img_dir.glob('*.jpg')) label_files = set(label_dir.glob('*.txt')) print('图片数:', len(img_files)) print('标签数:', len(label_files)) print('缺失标签图片:', len(img_files - {f.with_suffix('.jpg') for f in label_files})) # 统计每个类别的目标个数 from collections import Counter cnt = Counter() for txt in label_files: with open(txt) as f: for line in f: cls_id = int(line.strip().split()[0]) cnt[cls_id] += 1 print(cnt)

如果某个类别只有几十个目标，训练时就容易欠拟合，后面可以针对性做增强或引入预训练迁移。我检查这份数据时发现，正常来说ship和small-vehicle的目标数量会比其他类别多一个量级，container-crane和helicopter相对少，这跟原版DOTA的分布是一致的。

3.2 一条命令启动训练：参数怎么选

在满足数据目录和data.yaml正确的前提下，直接用YOLOv8训练：

yolo detect train \ data=/path/to/dota_v2_dataset/data.yaml \ model=yolov8s.pt \ epochs=100 \ imgsz=1024 \ batch=16 \ workers=8 \ device=0

为什么imgsz要开到1024，而不是COCO常用的640？因为遥感图像里的目标普遍偏小，原图如果是几千像素，直接用640训练，很多小目标在缩放后就只有几个像素了，模型根本学不到特征。开1024会占用更多显存，但精度提升是实打实的。

batch大小取决于你的显卡显存。我用12G显存跑了yolov8s，batch16在这个配置下刚好；如果你用yolov8n，可以把batch提到32也没问题。训练时显存不够的典型报错是CUDA out of memory，这时候优先调小batch，而不是降imgsz，因为训练精度对输入分辨率更敏感。

如果显存实在不够，还有个折中方案：用imgsz=640先把整体流程跑通，验证数据没问题，再切到1024正式训练。我测试过，同一份DOTA数据在640和1024下，mAP50差距通常有5到8个点，小目标类别差距更明显。

3.3 训练过程的观察点：怎么判断模型在变好

训练过程中，YOLOv8会输出每个epoch的metrics，重点观察这几个值：

• train/box_loss，train/cls_loss：训练集损失，整体下降就说明特征在学习。
• val/box_loss，val/cls_loss：验证集损失，如果在某个epoch后反而上升，说明有过拟合趋势。
• metrics/precision(B)，metrics/recall(B)：查准率与查全率，遥感目标密集时recall往往比precision更难提升。
• metrics/mAP50(B)，metrics/mAP50-95(B)：最终核心指标。

我在训练这份数据时，前10个epoch的mAP50会快速上升，之后涨幅变慢，到了80到100个epoch基本收敛。如果用了预训练权重yolov8s.pt，模型会从一个通用特征空间起步，比从零训练快很多。

训练完成后，模型权重保存在runs/detect/train/weights/best.pt，评估指标会输出记录，可以直接用best.pt做一张图片的可视化推理：

yolo predict model=runs/detect/train/weights/best.pt source=/path/to/test.jpg

如果想批量验证验证集效果，可以运行：

yolo val model=runs/detect/train/weights/best.pt data=/path/to/dota_v2_dataset/data.yaml batch=16 imgsz=1024

这个命令会输出每个类别的mAP50和mAP50-95，方便你对比哪些类别的检测效果差，再针对性优化。

3.4 增强选项和超参数调整思路

遥感图像里小目标多，光靠imgsz=1024还不够，建议配合数据增强策略。在YOLOv8的配置中，有几个增强参数值得关注：

• hsv_h、hsv_s、hsv_v：色相、饱和度和明度扰动。遥感影像有时色调单一，适当增强可以让模型更鲁棒。
• fliplr、flipud：水平、垂直翻转。遥感图不像自然场景有“上下”概念，翻转增强是安全的，建议都打开。
• scale：随机缩放，模拟不同飞行高度下的目标尺寸变化。
• mosaic：把4张图拼成一张，对小目标检测很有效果，默认是打开的。

如果你想快速试一版，直接用默认配置就行；如果你发现小目标类别的recall偏低，可以考虑把mosaic增强提高或者加入多尺度训练。不过多尺度遥感大图很占显存，实测下来，我一般保持imgsz=1024、mosaic=1.0、fliplr=0.5，这样一个默认配置就能打住大部分场景。

4. 踩过坑之后，整理出的五个常见问题

4.1 类别编号和names对不上，训练结果全乱套

这是我见过最多的问题，基本排在坑榜第一位。很多人下载数据集后，压缩包里没有给classes.txt，自己猜了一个类别顺序，结果训练跑完之后，可视化图片里飞机标成了船，船标成了储罐，看着像模型完全没学会。

解决办法很直接：先确认labels里的class_id范围，再去对照数据集的原始类别列表。如果你有VOC格式标注，直接遍历xml里的name字段，按第一次出现的顺序生成类别表，保证和txt的id一致。强烈建议训练前先跑一次可视化：

from PIL import Image, ImageDraw img = Image.open('images/train/P0001.jpg') draw = ImageDraw.Draw(img) with open('labels/train/P0001.txt') as f: for line in f: parts = line.strip().split() cls_id, xc, yc, w, h = parts[0], float(parts[1]), float(parts[2]), float(parts[3]), float(parts[4]) img_w, img_h = img.size x1 = (xc - w / 2) * img_w y1 = (yc - h / 2) * img_h x2 = (xc + w / 2) * img_w y2 = (yc + h / 2) * img_h draw.rectangle([x1, y1, x2, y2], outline='red', width=3) img.save('check.jpg')

打开check.jpg，肉眼看看框和类别对不对，远比训练完再排查高效。

4.2 标注框越界，训练时样本被丢

原始DOTA标注有一些框会超出图像边界，尤其是靠近边缘的目标。转成YOLO格式时，归一化之后的w/h如果超过1，或者x_center/y_center超出0-1区间，训练时模型可能直接忽略这些样本，导致有效数据减少。

我建议在预处理阶段写一个过滤脚本，把越界框做裁剪或剔除。YOLO本身在训练时会把越界框clip到图像范围内，但最好在源头就控制干净。处理这两种情况：

1. 如果框的中心点在图像内，只是部分越界，可以按边界裁剪，保留可见部分。
2. 如果框的中心点也在图像外，说明这个标注是异常的，直接删除。

4.3 大图直接训练，显存爆掉或者效果极差

很多遥感图是几千乘几千的完整图像，直接resize到1024训练，要么显存吃不住，要么小目标直接消失。我在实际项目中通常用两种策略：

一是整图缩放加高分辨率输入，适合目标不太小、图像尺寸适中的情况；二是切片训练，把大图切成若干个小块，每块带重叠区域，分别训练和推理，最后把重叠区域的检测结果做NMS合并。

切片在DOTA这种大图场景下最实用。比如把4000x4000的原图切成16个1024x1024的块，边缘重叠128像素，目标就会被尽可能完整地保留。这份数据集因为已经整理好标签，你可以直接用Python脚本做切片，每张图片和txt同步切。切完之后，小目标密度大幅提高，训练效果会上一个档次。

4.4 小目标类别recall特别低，模型“看不见”

如果你训练完发现small-vehicle、swimming-pool这类类别的recall很低，首先别急着调模型结构，先看看标注本身有没有问题。我去查证过，某些转换版本里，小目标框的中心坐标可能因为浮点精度丢失，或者框太小，归一化之后的w/h值接近0.001，很多增强操作一下就把目标“洗”没了。

一个实操性的调整是提高输入分辨率，同时把mosaic增强保留，并在训练时打开多尺度训练。如果还不行，可以单独对小目标类别做过采样，让模型多“看”几遍这种样本。

4.5 数据集划分混乱，验证集和训练集有重叠

有些整理版压缩包没有划分好train/val/test，或者某些图片既出现在训练集又出现在验证集，这样训练出来的指标虚高，换到新数据上效果就崩。

好在标题里写了4840张，一般train和val的划分是接近7:3或者8:2。你用之前先确认一下：看两张图片的名字是否有重叠；看train.txt和val.txt的图片列表是否有交集。如果划分不干净，最好自己重新洗牌划分，保证同一张大图切出来的几个块不要同时出现在训练集和验证集中，否则会有数据泄漏。

5. 从这份数据出发，后续还能怎么做

5.1 水平框版本升级成旋转框OBB

训练完水平框模型后，如果你发现目标紧邻密集场景下框的重叠很大，比如港口里船挨着船、停车场里车挨着车，水平框的“天花板”就会很明显。这时可以考虑上旋转框检测。

原版DOTA的标注是四边形四角点格式，如果要转成YOLOv8-OBB支持的格式，需要把每个目标的四角点归一化坐标按顺序写入txt，类别不变，训练时用模型参数model=yolov8s-obb.pt。从水平框数据“升级”到旋转框，最大的好处是能更精确统计目标数量和覆盖面积，这在港口管理、航线规划、交通流量分析等场景非常有用。

如果你只想在这份数据集上试，可以先用Web标注工具把DOTA原版的旋转框转成YOLO-OBB格式。实际操作中，因为DOTA原版每个目标有8个角点坐标，转换脚本比VOC转YOLO复杂一些，但逻辑是清晰的。

5.2 迁移到自己的无人机/遥感项目

这份数据集最值的部分不是用来刷榜，而是作为预训练数据。我的建议是：先用这份DOTA数据集训练一个基础模型，再用你自己的无人机拍摄数据做fine-tune。因为遥感图像的域差距主要体现在传感器、分辨率和目标类别分布上，但底层特征，比如建筑的边缘、道路的纹理、车辆的轮廓，是相通的。

具体做法是：

1. 用DOTA训练好的best.pt作为预训练权重，而不是直接用COCO预训练权重。
2. fine-tune时，如果你的自定义类别数和16不一样，把模型最后一层替换掉，冻结backbone先训头10个epoch。
3. 解冻全部层，用小学习率继续训练，一般20到30个epoch就能收敛。

我在一个城市车辆识别的项目里，用DOTA的权重做初始化，比直接用COCO权重初始化，初期收敛速度快了接近30%，最终mAP也高了3到5个点，省了不少调参时间。

5.3 切图、推理融合和部署落地

如果你准备把这个模型接到无人机实时检测流程里，建议先在推理阶段做切图策略，而不是把整张大图直接塞给模型。我常用的做法是：

• 用小图块滑动窗口推理，窗口大小和训练时的imgsz保持一致。
• 相邻窗口之间留一定重叠，比如10%到20%，避免目标被拦腰截断。
• 所有窗口的检测结果汇总后做一次全局NMS，置信度阈值设低一点，比如0.25，把重复框抑制掉。

部署到ONNX或者TensorRT时，注意YOLOv8输出层的形状和坐标还原，因为如果输入做了letterbox padding，输出的坐标要按原图尺寸做等比例映射回来，否则画框会偏移。这些细节在我用过的多个项目里都踩过，写出来希望大家少走弯路。

如果你手头正好拿到这份DOTAv2.0数据集，我建议别急着无脑开训，先花半小时检查数据格式、做可视化、确认类别映射，再上训练。从我这些年的经验看，目标检测项目里能让人熬夜的往往不是模型和算法，而是脏乱差的数据。把这步做扎实了，后面模型调起来会顺很多。

本文还有配套的精品资源，点击获取