yolov8旋转目标检测从原理到模型训练、部署、验证、推理（附代码）

定向边界框目标检测

导言

定向目标检测是在传统目标检测的基础上更进一步的技术，它引入了一个额外的角度参数，以更精确地定位图像中的物体。传统的目标检测算法通常使用轴对齐的矩形包围框来框定物体，而定向目标检测则使用旋转的边界框，这些边界框能够更好地适应物体的实际方向和形状，从而提供更准确的定位信息。

输出

定向目标检测器的输出是一系列旋转的边界框，它们精确地包围着图像中的物体，并为每个边界框提供类别标签和置信度得分。当您需要识别场景中的物体，而且还需要了解物体的确切位置和方向时，定向目标检测就显得尤为重要。

Ultralytics YOLOv8-OBB

YOLOv8-OBB 是 Ultralytics 开发的面向定向目标检测的模型。它通过在 DOTAv1 数据集上进行预训练，能够处理具有特定方向的物体。这些模型的文件名后缀带有 -obb，例如 yolov8n-obb.pt。

示例

• 船舶检测使用 OBB：在航空或卫星图像中，船舶往往呈现出非正交的方向，使用定向边界框可以更准确地检测和定位这些船只。
• 车辆检测使用 OBB：在复杂的城市环境中，车辆可能会出现各种倾斜角度，定向边界框能够更好地捕捉这些角度变化。

模型

YOLOv8 预训练的 OBB 模型是在 DOTAv1 数据集上进行训练的，它们自动从 Ultralytics 最新的发布版本中下载。

模型	大小 (像素)	mAPtest 50	速度 CPU ONNX (ms)	速度 A100 TensorRT (ms)	参数 (M)	FLOPs (B)
YOLOv8n-obb	1024	78.0	204.77	3.57	3.1	23.3
YOLOv8s-obb	1024	79.5	424.88	4.07	11.4	76.3
YOLOv8m-obb	1024	80.5	763.48	7.61	26.4	208.6
YOLOv8l-obb	1024	80.7	1278.42	11.83	44.5	433.8
YOLOv8x-obb	1024	81.36	1759.10	13.23	69.5	676.7

mAPtest 值是基于 DOTAv1 测试数据集的单模型多尺度评估得出的。为了重现结果，可以使用 yolo val obb data=DOTAv1.yaml device=0 split=test 命令，并将合并的结果提交给 DOTA 评估系统。速度指标是在 Amazon EC2 P4d 实例上对 DOTAv1 验证图像的平均值。

训练

在 640 像素大小的图像上，使用 dota8.yaml 数据集训练 YOLOv8n-obb 模型 100 个周期。更多可用的训练参数请参见配置页面。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n-obb.yaml")  # 从 YAML 构建新模型
model = YOLO("yolov8n-obb.pt")  # 加载预训练模型（推荐用于训练）
model = YOLO("yolov8n-obb.yaml").load("yolov8n.pt")  # 从 YAML 构建并转移权重

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

数据集格式

OBB 数据集的详细格式可以在数据集指南中找到。

验证

验证训练好的 YOLOv8n-obb 模型在 DOTA8 数据集上的准确性。无需传递任何参数，因为模型会保留其训练数据和设置作为模型属性。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n-obb.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 验证模型
metrics = model.val(data="dota8.yaml")  # 不需要参数，数据集和设置被记住
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # 包含每个类别的 map50-95(B) 的列表

预测

使用训练好的 YOLOv8n-obb 模型对图像进行预测。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n-obb.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 使用模型进行预测
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测

更多预测模式的详细信息可以在预测页面中查看。

导出

将 YOLOv8n-obb 模型导出到其他格式，如 ONNX、CoreML 等。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n-obb.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义训练模型

# 导出模型
model.export(format="onnx")

YOLOv8-OBB 可用的导出格式如下表所示。您可以使用 format 参数导出到任何格式，例如 format='onnx' 或 format='engine'。您可以在导出后的模型上直接进行预测或验证，例如 yolo predict model=yolov8n-obb.onnx。在导出完成之后，会显示您模型的使用示例。

格式	format 参数	模型	元数据	参数
PyTorch	-	yolov8n-obb.pt	✅	-
TorchScript	torchscript	yolov8n-obb.torchscript	✅	imgsz, optimize, batch
ONNX	onnx	yolov8n-obb.onnx	✅	imgsz, half, dynamic, simplify, opset, batch
OpenVINO	openvino	yolov8n-obb_openvino_model/	✅	imgsz, half, int8, batch
TensorRT	engine	yolov8n-obb.engine	✅	imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML	coreml	yolov8n-obb.mlpackage	✅	imgsz, half, int8, nms, batch
TF SavedModel	saved_model	yolov8n-obb_saved_model/	✅	imgsz, keras, int8, batch
TF GraphDef	pb	yolov8n-obb.pb	❌	imgsz, batch
TF Lite	tflite	yolov8n-obb.tflite	✅	imgsz, half, int8, batch
TF Edge TPU	edgetpu	yolov8n-obb_edgetpu.tflite	✅	imgsz
TF.js	tfjs	yolov8n-obb_web_model/	✅	imgsz, half, int8, batch
PaddlePaddle	paddle	yolov8n-obb_paddle_model/	✅	imgsz, batch
NCNN	ncnn	yolov8n-obb_ncnn_model/	✅	imgsz, half, batch

更多导出详情请参阅导出页面。

常见问题解答

• 什么是定向边界框 (OBB)，它们与常规边界框有何不同？

  定向边界框 (OBB) 包括一个额外的角度参数，以提高图像中物体定位的准确性。与常规的轴对齐矩形包围框不同，OBB 可以旋转以更好地匹配物体的方向。这对于需要精确物体定位的应用尤其有用，例如航空或卫星影像中的物体检测。

• 如何使用自定义数据集训练 YOLOv8n-obb 模型？

  要使用自定义数据集训练 YOLOv8n-obb 模型，您可以使用以下示例：

  from ultralytics import YOLO
  
  # 加载预训练模型
  model = YOLO("yolov8n-obb.pt")
  
  # 训练模型
  results = model.train(data="path/to/custom_dataset.yaml", epochs=100, imgsz=640)
  

  更多训练参数，请查阅配置章节。

• 我可以使用哪些数据集来训练 YOLOv8-OBB 模型？

  YOLOv8-OBB 模型是在 DOTAv1 数据集上进行预训练的，但您也可以使用任何适合 OBB 的数据集。关于 OBB 数据集格式的详细信息可以在数据集指南中找到。

• 如何将 YOLOv8-OBB 模型导出为 ONNX 格式？

  将 YOLOv8-OBB 模型导出为 ONNX 格式非常简单，无论是使用 Python 还是 CLI 命令：

  from ultralytics import YOLO
  
  # 加载模型
  model = YOLO("yolov8n-obb.pt")
  
  # 导出模型
  model.export(format="onnx")
  

  更多导出格式和详情，请参阅导出页面。

• 如何验证 YOLOv8n-obb 模型的准确性？

  要验证 YOLOv8n-obb 模型，您可以使用 Python 或 CLI 命令：

  from ultralytics import YOLO
  
  # 加载模型
  model = YOLO("yolov8n-obb.pt")
  
  # 验证模型
  metrics = model.val(data="dota8.yaml")
  

  更多验证详情，请参阅验证章节。