当前位置：首页 > news >正文

YoloV8实战：使用YoloV8实现OBB框检测

news 来源：原创 2024/9/20 7:17:58

定向边框（OBB）数据集概述

使用定向边界框（OBB）训练精确的物体检测模型需要一个全面的数据集。本文解释了与Ultralytics YOLO 模型兼容的各种 OBB 数据集格式，深入介绍了这些格式的结构、应用和格式转换方法。数据集使用DOTA。

YOLO支持的 OBB 格式

在Ultralytics YOLO 模型中，OBB 由YOLO OBB 格式中的四个角点表示。这样可以更准确地检测到物体，因为边界框可以旋转以更好地适应物体。其坐标在 0 和 1 之间归一化：

class_index x1 y1 x2 y2 x3 y3 x4 y4

YOLO 在内部处理损失和输出是xywhr 格式，xy表示边界框的中心点、whr表示宽度、高度和旋转角度。

OBB 格式示例

在这里插入图片描述

例如：

0 0.780811 0.743961 0.782371 0.74686 0.777691 0.752174 0.776131 0.749758

YoloV8实现OBB训练、测试

YOLOv8 这里显示的是在DOTAv1数据集上预训练的 OBB 模型。

首次使用时，模型会自动从最新的Ultralytics 版本下载。

模型	尺寸 ^（像素）	mAPtest⁵⁰	速度 ^{CPU ONNX （毫秒）}	速度 A100^{TensorRT （毫秒）}	params ^(M)	FLOPs ^(B)
YOLOv8n-obb	1024	78.0	204.77	3.57	3.1	23.3
YOLOv8s-obb	1024	79.5	424.88	4.07	11.4	76.3
YOLOv8m-obb	1024	80.5	763.48	7.61	26.4	208.6
YOLOv8l-obb	1024	80.7	1278.42	11.83	44.5	433.8
YOLOv8x-obb	1024	81.36	1759.10	13.23	69.5	676.7

训练

yolo已经有自己配置好的脚本文件，直接调用就可以实现，代码如下：
在这里插入图片描述

from ultralytics import YOLO
import osif __name__ == '__main__':model = YOLO(model="ultralytics/cfg/models/v8/yolov8l-obb.yaml")  # 从头开始构建新模型print(model)# Use the modelresults = model.train(data="DOTAv1.5.yaml", patience=0, epochs=300, device='0', batch=8, seed=42)  # 训练模

如果想加载预训练模型，则使用：

model = YOLO("ultralytics/cfg/models/v8/yolov8l-obb.yaml").load("yolov8l-obb.pt")  # build from YAML and transfer weights

或者直接加载预训练模型，如下：

model = YOLO("yolov8l-obb.pt")  # load a pretrained model (recommended for training)

验证

from ultralytics import YOLO# Load a model
model = YOLO("yolov8n-obb.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model# Validate the model
metrics = model.val(data="dota8.yaml")  # no arguments needed, dataset and settings remembered
print(metrics.box.map)  # map50-95(B)
print(metrics.box.map50)  # map50(B)
print(metrics.box.map75)  # map75(B)
print(metrics.box.maps)  # a list contains map50-95(B) of each category