YOLOv5_OBB：面向旋转目标检测的工业级解决方案

YOLOv5_OBB：面向旋转目标检测的工业级解决方案

【免费下载链接】yolov5_obbyolov5 + csl_label.(Oriented Object Detection)（Rotation Detection）（Rotated BBox）基于yolov5的旋转目标检测项目地址: https://gitcode.com/gh_mirrors/yo/yolov5_obb

YOLOv5_OBB是专为旋转目标检测任务设计的深度学习框架，基于YOLOv5架构实现了对带角度信息的物体检测能力。该项目在遥感图像分析、自动驾驶、工业质检等需要精确角度定位的场景中表现出色，通过Circular Smooth Label技术有效解决了传统水平框检测在旋转目标上的局限性。

项目定位与核心价值

在传统目标检测任务中，水平边界框（HBB）已无法满足复杂场景需求。当目标存在明显旋转角度时，水平框会引入大量背景噪声，严重影响检测精度。YOLOv5_OBB通过引入旋转边界框（OBB）机制，为每个检测目标提供精确的角度信息，实现了更紧密的包围框拟合。

→核心价值：在DOTA遥感数据集上，YOLOv5_OBB的mAP达到77.3%，相比传统方法提升显著，特别适用于飞机、车辆、船只等具有明确方向性的目标检测。

关键特性与技术优势

旋转目标检测架构

YOLOv5_OBB在YOLOv5基础上进行了针对性改进，主要技术特性包括：

• Circular Smooth Label (CSL)：采用高斯窗口函数处理角度标签，使损失函数在角度边界处平滑过渡，避免角度周期性带来的不连续性
• 多尺度特征融合：保留YOLOv5的PANet特征金字塔结构，增强对小尺寸旋转目标的检测能力
• 角度回归机制：在检测头输出中增加角度参数，支持[-π/2, π/2)范围内的连续角度回归

高性能推理优化

项目在推理速度与精度间取得平衡。上图为训练过程中的损失曲线和评估指标变化，展示了模型在旋转目标检测任务上的稳定收敛性。从图表中可以看到，随着训练迭代增加，各项损失指标持续下降，而mAP等评估指标稳步提升。

快速上手流程

环境配置与安装

git clone https://gitcode.com/gh_mirrors/yo/yolov5_obb cd yolov5_obb pip install -r requirements.txt

数据集准备

YOLOv5_OBB要求使用多边形标注格式，每个目标由四个顶点坐标和类别信息组成：

x1 y1 x2 y2 x3 y3 x4 y4 classname difficult

对于高分辨率遥感图像，建议先进行图像分割处理：

python DOTA_devkit/ImgSplit_multi_process.py

数据集目录结构应组织为：

datasets/ └── DOTAv1.5 ├── train_split_rate1.0_subsize1024_gap200 ├── val_split_rate1.0_subsize1024_gap200 └── test_split_rate1.0_subsize1024_gap200 ├── images └── labelTxt

基础训练配置

单GPU训练示例：

python train.py \ --weights 'weights/yolov5n_s_m_l_x.pt' \ --data 'data/yolov5obb_demo.yaml' \ --hyp 'data/hyps/obb/hyp.finetune_dota.yaml' \ --epochs 10 \ --batch-size 1 \ --img 1024 \ --device 0

多GPU分布式训练：

python -m torch.distributed.launch --nproc_per_node 4 train.py --device 0,1,2,3

高级配置与调优

超参数优化策略

YOLOv5_OBB提供了多个预配置的超参数文件，位于data/hyps/obb/目录：

配置文件	适用场景	主要特点
hyp.paper.yaml	论文复现	标准配置，平衡精度与速度
hyp.finetune_dota.yaml	DOTA数据集微调	针对遥感图像优化的学习率调度
hyp.finetune_DroneVehicle.yaml	无人机车辆检测	小目标检测优化参数

角度编码配置

角度编码是旋转目标检测的核心。在utils/rboxs_utils.py中，CSL标签生成函数的关键参数：

def gaussian_label_cpu(label, num_class, u=0, sig=4.0): """ 用高斯窗口函数根据角度θ的周期性赋予gt labels同样的周期性 sig参数控制高斯窗口半径，影响角度回归的平滑度 """

→调优建议：对于角度变化剧烈的场景，可适当减小sig值增强角度敏感性；对于角度变化平缓的场景，增大sig值提升模型鲁棒性。

模型架构选择

YOLOv5_OBB支持多种骨干网络配置：

模型	参数量(M)	FLOPs(B)	适用场景
yolov5n	2.0	5.0	边缘设备部署
yolov5s	7.5	17.5	平衡精度与速度
yolov5m	21.6	50.5	高精度检测
yolov5l	46.5	109.1	研究级应用

实际应用案例

遥感图像飞机检测

上图展示了YOLOv5_OBB在机场停机坪场景的检测效果。图中包含多架飞机目标，每个目标都使用旋转边界框精确标注，紧密贴合飞机机身轮廓，有效减少了背景噪声。

推理与评估流程

分割数据集的完整评估流程：

# 1. 获取水平框指标 python val.py --data 'data/yolov5obb_demo_split.yaml' \ --weights 'runs/train/yolov5m_csl_dotav1.5/weights/best.pt' \ --batch-size 2 --img 1024 --task 'val' --device 0 --save-json --name 'obb_demo_split' # 2. 转换为多边形格式 python tools/TestJson2VocClassTxt.py \ --json_path 'runs/val/obb_demo_split/best_obb_predictions.json' \ --save_path 'runs/val/obb_demo_split/obb_predictions_Txt' # 3. 合并分割结果 python DOTA_devkit/ResultMerge_multi_process.py \ --scrpath 'runs/val/obb_demo_split/obb_predictions_Txt' \ --dstpath 'runs/val/obb_demo_split/obb_predictions_Txt_Merged' # 4. 获取旋转框指标 python DOTA_devkit/dota_evaluation_task1.py \ --detpath 'runs/val/obb_demo_split/obb_predictions_Txt_Merged/Task1_{:s}.txt' \ --annopath 'dataset/dataset_demo/labelTxt/{:s}.txt' \ --imagesetfile 'dataset/dataset_demo/imgnamefile.txt'

实时检测应用

对图像和视频流进行实时检测：

python detect.py \ --weights 'runs/train/yolov5m_csl_dotav1.5/weights/best.pt' \ --source 'dataset/dataset_demo/images/' \ --img 2048 --device 0 --conf-thres 0.25 --iou-thres 0.2

关键参数说明：

参数	默认值	作用
--img	640	输入图像尺寸
--conf-thres	0.25	置信度阈值
--iou-thres	0.45	NMS的IoU阈值
--max-det	1000	每张图像最大检测数

性能基准与对比

精度与速度平衡

在DOTAv1.5数据集上的性能表现：

模型	输入尺寸	OBB mAP@0.5	推理速度(2080Ti)	参数量
yolov5n	1024	73.3%	15.2ms	2.0M
yolov5s	1024	76.8%	15.6ms	7.5M
yolov5m	1024	77.3%	16.9ms	21.6M

→技术洞察：yolov5m在仅增加14ms推理时间的情况下，相比yolov5s提升了0.5%的mAP，在精度敏感场景中具有明显优势。

内存与计算优化

针对不同硬件环境的配置建议：

GPU显存充足环境：

• 使用--batch-size 16提升训练吞吐量
• 设置--img 1024获取更高分辨率特征
• 启用混合精度训练--half减少显存占用

边缘设备部署：

• 选择yolov5n或yolov5s模型
• 使用--img 640降低计算复杂度
• 启用TensorRT加速推理

常见问题排查

角度回归不稳定

• 检查CSL的sig参数是否合适
• 验证角度标签是否在[-π/2, π/2)范围内
• 调整角度损失权重

小目标检测效果差

• 增加输入图像分辨率
• 使用更密集的锚框配置
• 启用多尺度训练策略

训练收敛缓慢

• 检查学习率调度策略
• 验证数据增强配置
• 调整权重初始化方式

下一步学习建议

要深入掌握YOLOv5_OBB，建议按以下路径学习：

1. 基础掌握：从docs/GetStart.md开始，完成基础训练和推理流程
2. 代码理解：研究models/yolo.py中的Detect层实现，理解角度回归机制
3. 算法深入：阅读Circular Smooth Label原论文，理解角度编码原理
4. 应用实践：在自己的数据集上微调模型，调整超参数优化性能
5. 部署优化：探索模型量化、剪枝和TensorRT加速技术

项目提供了完整的工具链支持，从数据准备到模型评估的每个环节都有详细文档和脚本支持。对于需要定制化开发的研究者和工程师，代码结构清晰，模块化程度高，便于二次开发和功能扩展。

通过合理配置和调优，YOLOv5_OBB能够在各种旋转目标检测任务中达到工业级应用标准，为计算机视觉领域的旋转目标检测提供了可靠的开源解决方案。

【免费下载链接】yolov5_obbyolov5 + csl_label.(Oriented Object Detection)（Rotation Detection）（Rotated BBox）基于yolov5的旋转目标检测项目地址: https://gitcode.com/gh_mirrors/yo/yolov5_obb