yolov8obb接收的尺寸

### YOLOv8OBB 中旋转角度的定义方法 YOLOv8OBB（ Oriented Bounding Box）用于表示具有方向的目标边界框。对于旋转目标检测而言，YOLOv8 输出的角度通常遵循特定的标准来描述物体的方向。 在计算机视觉领域中，旋转矩形可以通过中心点坐标 (cx, cy)，宽度 w 和高度 h 来唯一确定，并通过一个额外的角度 θ 表达其相对于水平轴的倾斜程度[^1]。具体来说： - **θ 的范围**：一般情况下，θ 被限定在一个区间内，通常是 [-90°, 0) 或者 [0°, 90°) ，这取决于具体的实现方式。 - **正负号约定**：当采用顺时针作为正向时，如果对象沿逆时针方向旋转，则返回正值；反之亦然。 为了更好地理解这一点，在 OpenCV 库中的 `cv::RotatedRect` 类里，角度参数是以度数形式给出并按照上述原则进行编码。下面是一个简单的 Python 函数示例，该函数接收由 YOLOv8 检测到的对象所对应的四个顶点坐标数组，并计算出适合机械臂操作所需调整后的抓取角。 ```python import numpy as np def calculate_robot_angle(points): """ 计算适合机械爪抓取的最佳角度 参数: points (list of tuples): 包含四个顶点坐标的列表 [(x1,y1),...,(x4,y4)] 返回: float: 抓取角度 """ # 将输入转换成 NumPy 数组以便于处理 pts = np.array(points) # 获取最小外接圆心位置以及半径 center, _ = cv.minEnclosingCircle(pts) # 使用两个相对边界的中点连线斜率求解夹具应朝向的角度 edge_midpoints = [ ((pts[i][0]+pts[(i+1)%4][0])/2., (pts[i][1]+pts[(i+1)%4][1])/2.) for i in range(4)] dx = edge_midpoints[1][0]-edge_midpoints[3][0] dy = edge_midpoints[1][1]-edge_midpoints[3][1] angle_rad = np.arctan2(dy, dx) angle_degrees = np.degrees(angle_rad) # 根据实际情况可能需要对最终结果做适当修正， # 这里假设我们希望保持与原始图像相同的参照系 adjusted_angle = normalize_angle(angle_degrees) return adjusted_angle def normalize_angle(angle): """将给定角度标准化至[-90, 0)""" while angle >= 0: angle -= 90. while angle < -90.: angle += 90. return angle ``` 此代码片段展示了如何基于已知的旋转矩形顶点来推导出一个合理的抓取角度，从而使得机器人能够更精准地定位和拾起物品。需要注意的是，实际应用中还需考虑更多因素如传感器误差校准等问题。

### 实现关键点检测于YOLOv8OBB 为了在YOLOv8OBB中集成关键点检测功能，需对网络架构做出特定调整，在原有基础上扩展用于预测关键点位置的新分支。具体而言，此过程涉及模型结构修改、数据集准备以及训练配置优化等方面的工作。 #### 模型结构调整 在网络设计方面，可以在现有的旋转框头部（head）之上附加一个新的子网路来专门负责关键点的位置估计[^1]。这一新增模块应能够接收来自特征提取层的输出，并据此推断出图像中各目标对应的关键点坐标。通常情况下，这涉及到引入卷积操作以降低维度并增强局部特性捕捉能力，随后利用回归机制直接映射至二维空间中的确切位置。 ```python class KeypointHead(nn.Module): def __init__(self, num_keypoints=5): # 假设每个物体有五个关键点 super(KeypointHead, self).__init__() self.conv = nn.Conv2d(in_channels=..., out_channels=num_keypoints*2, kernel_size=...) def forward(self, x): keypoints_pred = self.conv(x).sigmoid() * stride # 将预测值缩放到原图尺度 return keypoints_pred.view(-1, num_keypoints, 2) # reshape成(N,K,2)，其中K为关键点数量 ``` #### 数据集构建与预处理 针对含有旋转边界框的目标识别任务，其标注文件除了要记录对象类别及其对应的最小外接矩形参数之外，还需额外指定每类实体所关联的一系列标志性节点信息。这些标记应当尽可能精确地标记出能代表该实例朝向特性的部位——比如车辆前部或船只首端等明显方位指示物所在之处。此外，考虑到实际应用场景下的多样性需求，建议采用多种视角拍摄样本图片作为训练素材的一部分，从而提高泛化性能。 #### 配置项设置 最后一步是在实验设定阶段合理规划超参选项，确保整个流程顺畅运行。特别是要注意调整损失函数权重分配策略，使得新加入的任务不会过分压制原本就存在的分类和定位两项核心使命；同时也要适当放宽学习率衰减周期长度，以便让系统拥有充足时间去探索最优解路径[^3]。