yolov8魔改obb

### 基于 YOLOv8 实现 OBB 的改进方法 为了使 YOLOv8 支持定向边界框 (Oriented Bounding Box, OBB)，可以通过以下方式实现： #### 1. 修改损失函数以适应旋转矩形 YOLOv8 默认使用水平边界框来表示目标位置。要支持 OBB，需调整损失函数以考虑旋转角度参数 θ。通常采用五参数形式 `(cx, cy, w, h, θ)` 来描述旋转矩形的位置和方向[^1]。 以下是可能的代码改动： ```python import torch.nn as nn class OBBLoss(nn.Module): def __init__(self): super(OBBLoss, self).__init__() def forward(self, pred, target): """ 计算预测值与真实值之间的损失。 参数: pred: 模型输出的预测值 (batch_size, num_boxes, 5), 包含 cx, cy, w, h, theta. target: 真实标签值 (batch_size, num_boxes, 5). 返回: loss: 总体损失值. """ center_loss = nn.MSELoss()(pred[:, :2], target[:, :2]) # 中心坐标损失 size_loss = nn.L1Loss()(pred[:, 2:4], target[:, 2:4]) # 宽高尺寸损失 angle_loss = nn.SmoothL1Loss()(pred[:, 4], target[:, 4]) # 角度损失 total_loss = center_loss + size_loss + angle_loss return total_loss ``` #### 2. 自定义数据集标注格式 YOLOv8-OBB 提供了对自定义数据集的支持[^3]。对于 OBB 数据集，建议使用 DOTA 或者其他类似的旋转目标检测标准格式。每行标注应包含如下字段： `<label> <cx> <cy> <w> <h> <theta>` 其中 `θ` 表示旋转角（单位为弧度或度数），范围一般限定在 [-π/2, π/2)。 #### 3. 加载预训练模型并微调 Ultralytics 已经发布了多个带 `-obb` 后缀的官方预训练权重文件[^2]，可以直接加载这些模型进行迁移学习或者继续训练新的类别。 加载模型实例： ```python from ultralytics import YOLO model = YOLO('yolov8n-obb.pt') # 使用官方发布的 OBB 版本预训练模型 results = model.train(data='custom_data.yaml', epochs=50, imgsz=640) ``` #### 4. 推理阶段解析旋转矩形 推理完成后，返回的结果对象会包含每个检测框的具体信息。如果启用了 OBB 功能，则需要额外提取旋转角度部分的数据。 示例代码片段： ```python # 对单张图片执行推断操作 image_path = 'test_image.jpg' results = model(image_path) for result in results: boxes = result.boxes.cpu().numpy() # 获取所有检测框的信息 for box in boxes: cx, cy, w, h, theta = box.xywha[0] # 解析中心点、宽高以及角度 label = int(box.cls[0]) confidence = float(box.conf[0]) print(f'Label={label}, Confidence={confidence:.2f}, ' f'(Center_x={cx:.2f}, Center_y={cy:.2f}), Width={w:.2f}, Height={h:.2f}, Angle={theta:.2f}') ``` --- ###