前言
从前面的文章《目标检测之YOLOV11的环境搭建》，可知，现在的yolo版本发布，与其说是一个好的算法，不如说是一个平台，不带集成了检测，分类，分割等系列的方法，同时还包括了这个算法的所有的过程，包括训练，验证，预测以及导出，这让我想起之前用yolo obb进行虾苗计数时候的种种，在配置源码的时候的过程是比较复杂的，obb这块当时是没有集成在ultralytics平台的，现在的版本种已经自动存在obb的方法的，因此我想再次用yolo obb对之前的虾苗检测重新做一次。
之前做过的例子请参考：
目标检测之YoloV5+旋转目标
一、背景与问题引入
在使用YOLOv11进行目标检测（尤其是旋转框检测，OBB）时，数据格式的适配是关键步骤。原始的标注格式是：x1 y1 x2 y2 x3 y3 x4 y4 class_name difficulty，而YOLO-OBB要求输入class_index x1 y1 x2 y2 x3 y3 x4 y4的特定格式，其中x1 y1 x2 y2 x3 y3 x4 y4是目标四个角点指定边界框，其坐标在 0 和 1 之间归一化，因此需要做一个简单的转换，当前这个的前提是我已经对原始数据进行了标注啦。
二、核心步骤：原始标注→YOLO-OBB格式转换
1. 原始标注分析
原始标注格式为：x1 y1 x2 y2 x3 y3 x4 y4 class_name difficulty（8个真实坐标+类别名+难度），在我的标签txt文件中是这样的：
bash
947.1667987930293 472.63887625737107 519.8770434482032 545.9859254267041 503.1668012069706 448.6389237426289 930.4565565517969 375.2918745732959 shrimp 0。YOLO-OBB要求格式为：class_index x1_norm y1_norm x2_norm y2_norm x3_norm y3_norm x4_norm y4_norm（类别索引+8个归一化坐标）。
2. 转换代码解析
核心逻辑如下：
python:media/a/data4t/DL/yolov11/convert_to_yolo_obb.py
# 关键步骤1：读取图片尺寸（用于归一化）
img = cv2.imread(image_path)
img_width, img_height = img.shape[1], img.shape[0]
# 关键步骤2：坐标归一化（x_real/img_width, y_real/img_height）
normalized_coords = []
for i in range(0, 8, 2):
x_real = coords[i]
y_real = coords[i+1]
x_norm = x_real / img_width
y_norm = y_real / img_height
normalized_coords.extend([x_norm, y_norm])
# 关键步骤3：写入YOLO格式（固定class_index=0，因你的数据仅一类）
yolo_line = "0 " + " ".join(map(str, normalized_coords))具体代码如下：
python
import os
import cv2
from pathlib import Path
def convert_label(original_label_dir: str, image_dir: str, output_dir: str) -> None:
"""
将原始标注转换为YOLO-OBB格式
Args:
original_label_dir: 原始标注txt文件所在目录
image_dir: 对应图片所在目录（与txt文件名前缀一致）
output_dir: YOLO-OBB格式标注输出目录
"""
# 创建输出目录（若不存在）
os.makedirs(output_dir, exist_ok=True)
# 遍历原始标注目录下的所有txt文件
for txt_path in Path(original_label_dir).glob("*.txt"):
# 获取图片路径（假设txt与图片同名，仅后缀不同）
image_name = txt_path.stem + ".jpg" # 假设图片是jpg格式，可根据实际情况修改
image_path = os.path.join(image_dir, image_name)
# 读取图片尺寸
if not os.path.exists(image_path):
print(f"警告：图片 {image_path} 不存在，跳过标注文件 {txt_path}")
continue
img = cv2.imread(image_path)
if img is None:
print(f"警告：无法读取图片 {image_path}，跳过标注文件 {txt_path}")
continue
img_width, img_height = img.shape[1], img.shape[0] # (高度, 宽度, 通道数)
# 读取原始标注并转换
yolo_lines = []
with open(txt_path, 'r') as f:
for line in f:
line = line.strip()
if not line: # 跳过空行
continue
parts = line.split()
# 原始格式：x1 y1 x2 y2 x3 y3 x4 y4 class_name difficulty
if len(parts) != 10:
print(f"警告：无效标注行 {line}，格式应为8个坐标+类别+难度")
continue
coords = list(map(float, parts[:8])) # 前8个是坐标
# 归一化坐标（x_norm = x_real / img_width，y_norm = y_real / img_height）
normalized_coords = []
for i in range(0, 8, 2):
x_real = coords[i]
y_real = coords[i+1]
x_norm = x_real / img_width
y_norm = y_real / img_height
normalized_coords.extend([x_norm, y_norm])
# YOLO-OBB格式：class_index（0） x1_norm y1_norm x2_norm y2_norm x3_norm y3_norm x4_norm y4_norm
yolo_line = "0 " + " ".join(map(str, normalized_coords))
yolo_lines.append(yolo_line)
# 写入YOLO格式标注文件
output_path = os.path.join(output_dir, txt_path.name)
with open(output_path, 'w') as f:
f.write("\n".join(yolo_lines))
print(f"转换完成：{txt_path.name} -> {output_path}")
def main() -> None:
# -------------------------- 用户需修改的路径 --------------------------
original_label_dir = "labelTxt" # 原始标注txt目录
image_dir = "/images" # 对应图片目录
output_dir = "/labels/" # YOLO格式输出目录
# -----------------------------------------------------------------------
convert_label(original_label_dir, image_dir, output_dir)
if __name__ == "__main__":
main()输出示例：
bash
0 0.5551974201600406 0.36924912207607113 0.3047344920563911 0.4265515042396125 0.2949395083276498 0.3504991591739288 0.5454024364312995 0.29319677701038743三、验证：可视化转换后的标注
为确保转换正确，使用draw_obb_bbox.py在原图上绘制四边形框。
1. 可视化脚本draw_obb_bbox.py解析
核心逻辑：
python:media/a/data4t/DL/yolov11/draw_obb_bbox.py
# 关键步骤1：读取归一化坐标并转换为像素坐标
points = []
for i in range(0, 8, 2):
x_norm, y_norm = coords[i], coords[i+1]
x_px = int(round(x_norm * w))
y_px = int(round(y_norm * h))
points.append((x_px, y_px))
# 关键步骤2：使用OpenCV绘制闭合四边形
pts = np.array(points, dtype=np.int32).reshape((-1, 1, 2))
cv2.polylines(img, [pts], isClosed=True, color=(0, 255, 0), thickness=2)详细代码：
python
import cv2
import numpy as np
import os
def draw_obb_bbox(label_path: str, image_path: str, output_path: str) -> None:
"""
在图片上绘制YOLO-OBB格式的四边形边界框
Args:
label_path: 标注文件路径（.txt）
image_path: 原图路径（.jpg/.png等）
output_path: 输出结果图路径（.jpg/.png等）
Raises:
FileNotFoundError: 图片或标注文件不存在
"""
# 校验文件存在性
if not os.path.exists(label_path):
raise FileNotFoundError(f"标注文件不存在: {label_path}")
if not os.path.exists(image_path):
raise FileNotFoundError(f"图片文件不存在: {image_path}")
# 读取图片并获取尺寸
img = cv2.imread(image_path)
h, w = img.shape[:2] # (高度, 宽度, 通道数)
# 读取并解析标注文件
with open(label_path, 'r') as f:
annotations = [line.strip() for line in f.readlines() if line.strip()] # 过滤空行
for ann in annotations:
parts = ann.split()
if len(parts) != 9:
raise ValueError(f"无效标注行: {ann}\n格式应为: class_id x1 y1 x2 y2 x3 y3 x4 y4")
class_id = int(parts[0])
coords = list(map(float, parts[1:9])) # 归一化坐标列表
# 转换为像素坐标（四舍五入取整）
points = []
for i in range(0, 8, 2):
x_norm, y_norm = coords[i], coords[i+1]
x_px = int(round(x_norm * w))
y_px = int(round(y_norm * h))
points.append((x_px, y_px))
# 绘制闭合四边形（绿色，线宽2）
pts = np.array(points, dtype=np.int32).reshape((-1, 1, 2))
cv2.polylines(img, [pts], isClosed=True, color=(0, 255, 0), thickness=2)
# 保存结果图（自动创建输出目录）
os.makedirs(os.path.dirname(output_path), exist_ok=True)
cv2.imwrite(output_path, img)
print(f"成功绘制，结果保存至: {output_path}")
def main() -> None:
"""主函数，用于参数配置和流程控制"""
# -------------------------- 用户需修改的路径 --------------------------
label_file = "240298772856875_0.txt"
image_file = "240298772856875_0.jpg"
output_file = "240298772856875_0_vis.jpg"
# -----------------------------------------------------------------------
try:
draw_obb_bbox(label_file, image_file, output_file)
except Exception as e:
print(f"绘制失败: {str(e)}")
if __name__ == "__main__":
main()2. 运行验证
修改main()函数中的路径参数后执行：
bash
python draw_obb_bbox.py输出结果保存在datasets/dota8/visualized/目录，可直接查看标注是否与原图目标对齐。
四、总结
通过convert_to_yolo_obb.py和draw_obb_bbox.py，我们完成了从原始四边形标注到YOLO-OBB格式的转换与验证。下一步可将处理后的数据放到指定目录，启动YOLOv11-OBB训练。