YOLOv8_obb——旋转目标检测无敌大还丹（DOTA数据集）

安装

（1）Pytorch安装 （自行官网安装对应cuda版本）

（2）下载最新yolov8_obb代码：

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

pip安装和gitclone均可

（3）安装依赖

官方给出：

也可尝试：pip install -e .

DOTA数据集的训练、测试、推理

（1）快速入门（测试环境）

使用dota8数据集用于测试：创建新py文件，复制下面代码运行（代码会自动帮你安装pt文件和dota8数据集，如果下载太慢导致失败，可根据失败信息自行下载）

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-obb.pt')  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data='dota8.yaml', epochs=100, imgsz=640)

参考：DOTA8 -Ultralytics YOLOv8 文档

通过快速入门，可以了解项目的文件结构和数据集构架

（2）数据集处理

①将DOTA数据集转换为yolov8可训练的格式

原数据集格式如下：

v8使用的数据集格式：

关于数据集转换，官方已经写好了代码：
 

from ultralytics.data.converter import convert_dota_to_yolo_obb

convert_dota_to_yolo_obb('path/to/DOTA')

新建一个py文件，可以把路径改为指向DOTA文件夹的绝对路径，文件夹目录结构如下：

②数据集图像裁剪

方法一：使用已经裁剪好的DOTA数据集然后使用①转化格式，或者使用DOTA数据集提供的toolkit

方法二：利用ultralytics\ultralytics\data\split_dota.py，该Py文件提供了分割函数，使用如下：

from ultralytics.data.split_dota import split_trainval

split_trainval(data_root=r'datasets\DOTA',save_dir=r'datasets\DOTA_split')

备注 ：尝试了方法二，发现裁剪后的图片数量和标签数量对应不上，各位看官可自行尝试

（3）开始训练 

①下载预训练权重

OBB -Ultralytics YOLOv8 文档

②确定数据集

③在cfg/datasets中创建DOTAv1-obb.yaml，修改路径和类别（如果使用项目自带的跳过该步骤）

④修改并使用cfg/models/v8/yolov8-obb.yaml

根据自己的DOTAv1-obb.yaml修改nc

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 Oriented Bounding Boxes (OBB) model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
nc: 15 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]] # 9

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  - [-1, 3, C2f, [512]] # 12

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 3, C2f, [256]] # 15 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 12], 1, Concat, [1]] # cat head P4
  - [-1, 3, C2f, [512]] # 18 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]] # cat head P5
  - [-1, 3, C2f, [1024]] # 21 (P5/32-large)

  - [[15, 18, 21], 1, OBB, [nc, 1]] # OBB(P3, P4, P5)

⑤新建train.py ，复制如下代码：

from ultralytics import YOLO

model = YOLO('yolov8n-obb.yaml').load('yolov8n-obb.pt')
model.train(data='DOTAv1.yaml', epochs=100, imgsz=1024, batch=4, workers=4)

命令运行：CUDA_VISIBLE_DEVICES=gpu_ids python train.py

（4）验证

from ultralytics import YOLO
 
def main():
    model = YOLO(r'runs/obb/train/weights/best.pt')
    model.val(data='dotav1.yaml', imgsz=1024, batch=4, workers=4)
if __name__ == '__main__':
    main()

（5）推理 

from ultralytics import YOLO
model = YOLO('runs/obb/train/weights/best.pt')
results = model('datasets/DOTA/images/val/P0003__1__0___0.png', save=True)

训练HRSC2016数据集

关于HRSC数据集解读：HRSC数据集解读，DOTA数据集转YOLO旋转框格式，HRSC数据集转YOLO旋转框格式_dota数据集 yolo格式-CSDN博客

 HRSC数据集转YOLO旋转框代码地址：GitHub - yrpyyds/HRSC2DOTA2YOLO: HRSC数据集转DOTA转YOLO v8,以及对应的显示标注框的简易UI

注：代码简单可以自行阅读，帮作者写个readme：先使用HRSC_to_DOTA->DOTA_to_YOLO，每个阶段均可使用drawed.py验证转化是否成功

问题：HRSC数据集经过整理后，Train文件夹下有效标注的数据集为617张（其中train=436，val=181），Test文件夹下有效标注集为438张（6张背景图）。

数据集分为三个层级，0级为船，1级是航母、军舰、商船、潜艇，2级为各种航母，军舰细分。

由于船舰类型丰富、每个类型数据量较小、类别区分没有明确界限，因此大部分处理方式（上述代码链接）均将HRSC三级类别归到二级类别且将一级类别的ship删去。但这种删去同样带来了一些问题，它将很多分类结果为ship的图片变成了背景图。例如，一张图片它只有一个框 其注释为ship=1，现在我们删除ship导致其注释txt文件变成了空文件，图片并没有删除，而且变成了背景图；那么我们能不能直接删掉这种图片呢？答案是否定的，因为如果一张图片中既有我们要的类别也有ship的话，删除整张图片也会删除我们想要的。

解决方式可以自行决定

后续训练过程同DOTA数据集训练过程，只需要修改dataset.yaml，以及修改Yolov8obb.yaml中的nc即可

更换yolo的backbone和neck

待更新