YOLO（You Only Look Once）是一个高效且广泛应用于目标检测任务的深度学习框架。在目标检测任务中，传统的边界框（AABB）通过四个参数来定义目标的位置信息：中心坐标、宽度、高度以及目标的旋转角度。然而，这种方法在面对旋转物体时，往往无法准确描述目标的形状与位置，尤其是当物体被倾斜或旋转时。为了解决这一问题，YOLO引入了 定向边界框（OBB, Oriented Bounding Boxes），使得在旋转物体的检测中，能够更加精确地描述物体的位置和形状。
下面将详细介绍YOLO OBB任务的标注格式、数据集构建要求以及如何使用YOLOv11模型进行训练。我们将以YOLOv11 OBB模型为例，说明如何构建数据集并编写训练脚本，帮助您顺利完成定向目标检测任务。
YOLO OBB 任务简介
YOLOv11 OBB任务中文介绍页面：YOLOv11 OBB
OBB（定向边界框）与传统边界框的区别
传统的边界框（Axis-Aligned Bounding Box，简称AABB）是通过图像中的物体的中心坐标、宽度和高度来描述物体的位置。然而，这种方式不能很好地适应旋转物体的检测。尤其是当物体的姿态发生变化时，AABB会产生较大的误差，因为它仅仅是与坐标轴对齐的矩形。
YOLO OBB（定向边界框）则通过 四个角点 来定义物体的边界框，这样可以精确描述旋转或倾斜物体的边界。这使得YOLO OBB不仅可以检测普通物体，还能有效处理旋转的目标物体。
YOLO OBB 数据集标注格式
YOLO OBB 任务的标注格式与传统的 YOLO 边界框标注略有不同。YOLO OBB 使用四个角点的归一化坐标来描述目标物体的边界框。这些坐标是在 [0, 1] 范围内，相对于图像的宽度和高度进行归一化。
YOLO OBB 数据集标注格式：
class_index x1 y1 x2 y2 x3 y3 x4 y4
class_index：物体类别的索引。通常是整数，从 0 开始。x1, y1, x2, y2, x3, y3, x4, y4：目标物体四个角点的坐标，范围为 [0, 1]，根据图像的宽度和高度进行归一化。
这些四个角点按顺时针或逆时针顺序排列，通常与物体的边缘一致。标注的精度决定了模型在训练过程中的准确性，因此标注时要特别小心，确保角点准确。
示例：
假设我们有一张包含倾斜飞机的图像，飞机的类别编号为 0，其四个角点的归一化坐标分别为：
(x1, y1) = (0.1, 0.2)(x2, y2) = (0.3, 0.2)(x3, y3) = (0.3, 0.4)(x4, y4) = (0.1, 0.4)
则该图像的标注行如下所示：
0 0.1 0.2 0.3 0.2 0.3 0.4 0.1 0.4
通过这种方式，YOLO OBB 能够在训练过程中有效地处理旋转物体，进而提高检测精度。
定向边框（OBB）数据集概述：定向边框（OBB）数据集概述
YOLO OBB 数据集构建要求
数据集格式
为了能够成功训练YOLO OBB模型，数据集必须符合特定的结构。通常，YOLO数据集包括两个部分：图像文件和对应的标签文件。对于YOLO OBB任务，标签文件应包含每个图像中目标物体的四个角点坐标。
数据集目录结构：
dataset/
├── images/
│ ├── image1.jpg
│ ├── image2.jpg
│ └── ...
└── labels/
├── image1.txt
├── image2.txt
└── ...
images/目录包含所有的图像文件。labels/目录包含与图像文件一一对应的文本标注文件，每个文件的命名与图像文件相同，扩展名为.txt。
每个标注文件（例如 image1.txt）的内容应按照YOLO OBB格式编写。每一行代表一个目标物体，格式如下：
class_index x1 y1 x2 y2 x3 y3 x4 y4
数据集的配置文件（YAML格式）
YOLO要求使用YAML格式的配置文件来描述数据集。数据集配置文件应包含图像路径、类别名称等信息。
示例配置文件 dota8.yaml：
yaml
train: /path/to/train/images
val: /path/to/val/images
nc: 1 # 类别数量
names: ['airplane'] # 类别名称YOLO OBB 模型训练脚本
YOLO提供了一个简单的API来训练定向目标检测模型。以下是一个基于YOLOv11 OBB模型的训练脚本示例。该脚本使用了预训练的YOLOv11 OBB模型，并在自定义数据集上进行训练。
训练脚本说明
python
from ultralytics import YOLO
# 确保多进程只在主进程中启动
if __name__ == "__main__":
# 加载预训练的 YOLOv11-OBB 模型
model = YOLO("models/yolo11n-obb.pt") # 使用 YOLOv11 预训练模型（OBB）
# 训练模型
results = model.train(
data="ultralytics/cfg/datasets/airplane.yaml", # 数据集 YAML 配置文件
epochs=100, # 训练的轮数
imgsz=640, # 输入图片的大小
batch=16, # 批量大小
device=0, # 使用的设备，0表示使用GPU0，-1表示使用CPU
project='runs/train', # 训练结果保存路径
name='yolo11n_obb_custom', # 保存的实验名称
exist_ok=True, # 如果目录已存在，是否覆盖
augment=True, # 数据增强
rect=True, # 按矩形裁剪（适用于非方形图像）
workers=4, # 数据加载工作线程数量
)
# 训练结果
print(f"训练完成. 结果保存在: {results.save_dir}")训练脚本说明：
-
加载模型 ：使用YOLOv11的预训练模型
yolo11n-obb.pt。该模型已经在DOTA数据集上进行了预训练，适用于OBB任务。 -
训练数据 ：通过
data="ultralytics/cfg/datasets/airplane.yaml"指定训练数据集的路径和格式。 -
训练参数：
epochs=100：训练轮数设置为100轮。imgsz=640：输入图像的大小为640x640。batch=16：每批次训练的图像数量为16。device=0：指定使用GPU0进行训练，-1表示使用CPU。
-
训练设置：
project='runs/train'：训练结果将保存到runs/train路径下。name='yolo11n_obb_custom'：设置训练实验的名称。exist_ok=True：如果保存路径已存在，允许覆盖。augment=True：开启数据增强。rect=True：采用矩形裁剪模式，以适应非方形图像。workers=4：使用4个工作线程加载数据。
训练过程与结果
运行脚本后，训练过程将在命令行输出训练进度和结果。最终，训练好的模型会保存在指定的 results.save_dir 路径下。
YOLO OBB（定向边界框）任务通过四个角点来描述目标物体的边界框，相较于传统的AABB方法，能够更精确地处理旋转物体的检测任务。通过构建符合YOLO OBB格式的数据集并编写训练脚本，您可以使用YOLOv11模型在自定义数据集上进行训练，从而实现高效、精确的定向目标检测。