旋转目标识别这两年真的是越来越刚需了。以前做目标检测，一个水平框框住目标就很满意了，可一旦场景里出现大量任意朝向的物体——比如遥感影像里的飞机、船只，工业场景中码放角度不一的工件，甚至医疗切片里的细胞簇——普通的水平检测框就显得很尴尬：框里一半是背景，目标之间还互相重叠，后处理NMS一压，召回率咔咔往下掉。YOLO26这个版本的原生OBB（Oriented Bounding Box）能力，就是专门来解决这类问题的，模型直接回归带角度的旋转框，检测精度和边界贴合度完全是两个档次。
这篇教程我打算按自己的实操流程来写：从数据集标注开始，到格式转换、训练参数调节、测试评估，再到我踩过的那些坑。内容适合两类人：一是刚接触旋转目标检测、想快速跑通一个完整OBB项目的朋友；二是已经用过水平框YOLO、想从HBB迁移到OBB的工程师。文章里的所有步骤都是我在某个模拟项目X里实测过的，工具和脚本也都是常见开源方案，你可以直接照着“抄作业”。
1. 旋转目标检测与OBB的核心思路
1.1 为什么水平框在旋转场景下不够用
水平框检测（HBB）输出的是一个轴对齐的矩形，也就是用左上角坐标、宽度和高度来表达目标位置。这种表达方式在目标朝向相对统一的时候没问题，比如行人的直立姿态、路上的汽车。但一旦目标旋转角度随机，水平框就会把大量背景也包进框内，导致两个后果：一是正样本里混入太多背景，模型学到的是“矩形区域里有个大致形状”而不是“目标和框紧密贴合”，精度上不去；二是密集场景下，比如遥感图像里排列紧密的飞机，水平框之间大面积重叠，NMS阈值稍微一调，要么误删真值，要么留下大量重叠框。
OBB（Oriented Bounding Box）的核心思路，是在水平框的基础上增加一个旋转角度参数，用带方向的矩形去贴合目标。这样框出来的区域和真实目标轮廓高度重合，背景占比大幅下降，模型的特征学习也更有针对性。直观地说，水平框像是用信封去装一只钢笔，怎么装都会晃；旋转框就像是专门定制的笔套，严丝合缝。
1.2 YOLO26中OBB的表征方式与坐标约定
YOLO系列做OBB检测，延续了YOLO高效直接回归的风格。一个旋转框在模型内部被拆解为两部分：一部分是旋转框外接水平框的中心点坐标（cx, cy）以及外接框的宽高（w, h）；另一部分是目标的旋转角度θ。之所以用外接水平框的宽高，是为了配合Anchor-Free的回归头做尺度归一化，这也是YOLO系列一贯的做法。
在数据层面，目前YOLO26官方的OBB标签格式，每一行是class_index x1 y1 x2 y2 x3 y3 x4 y4。这里的四个顶点是目标的四个按顺序排列的角点，全部用图片宽度和高度归一化到0~1之间。顶点顺序有讲究：必须是顺时针排列，从目标的哪个角开始并不重要，但必须保持顺时针方向。训练时模型会学习预测这4个顶点，再换算成旋转角度。
有一点你需要提前理解：OBB的“角度”在数学上是一个周期量，0度和180度表示同一个方向。所以很多OBB模型在角度回归上会做特殊处理，比如预测两个正交向量、或者用多尺度编码来避免角度突跳。YOLO26的处理方式相对省心，你只需要保证输入标签的顶点顺序正确，模型内部的解码器会自动处理角度的周期性，不需要你手工去限制角度范围。
1.3 完整流程概览
OBB项目的标准流程，我拆成四个环节：标注、格式转换、训练、测试评估。
- 标注：用支持旋转框的开源标注工具，手工画出贴合目标的四边形，得到原始标注文件。
- 格式转换：把标注工具的导出格式，通常是绝对像素坐标的四边形，转换为YOLO26 OBB要求的归一化四顶点格式，同时按比例划分训练集和验证集。
- 训练：配置数据集YAML文件，选择OBB模型权重，设置训练超参数，启动训练并监控指标。
- 测试评估：用验证集测试模型，查看可视化预测框，统计mAP50、mAP50-95等指标，逐步调优。
下面我会按这个顺序，把每一步的细节和需要注意的坑展开讲清楚。
2. 数据集标注：从零开始制作高质量的旋转框标签
2.1 标注前的准备工作
标注是整个OBB项目中最费人力、也最影响最终精度的环节，没有之一。建议先把类别定义清楚，类别数量控制在合理范围内。比如我的模拟项目X是检测厂区里的车辆和行人，那么类别就两个：vehicle和person。越少的类别意味着每个类别的样本量越充足，模型训练越稳定。
标注工具方面，目前常见的开源标注工具一般都支持旋转框标注。我用的是一个图形界面工具，可以直接导入图片，选择类别后用鼠标点四个点生成旋转框，导出格式为TXT。如果你用的是自己熟悉的工具，只要它能导出四边形的四个顶点坐标，后面都可以通过脚本转换到YOLO格式。
在标注前，建议把所有图片统一尺寸和格式。我习惯先做一次批量缩放，把长边控制到2000像素以内，这样标注时缩放顺畅，后面训练时也不会因为原图过大而撑爆显存。注意这一步要记录缩放系数，因为标注坐标是相对原图的像素坐标，后续转换格式时仍然按照缩放后的图片尺寸做归一化，只要图片和标签是同一个坐标系就OK。
2.2 旋转框标注的操作规范
标注操作看起来简单，但实际有很多细节会影响训练效果。我总结了几条自己内部定的标注规范：
- 四边形的四个顶点要落在目标轮廓的四个极限角点上，而不是随意框一个菱形。比如标注旋转的飞机，四个顶点要对应机头、左翼尖、机尾、右翼尖。
- 顶点顺序统一为顺时针。工具导出结果如果混着逆时针，必须后处理统一，否则训练损失会异常。
- 目标遮挡超过30%时直接跳过不标；轻度遮挡时，按可见轮廓的最大范围去框，不要脑补被遮挡部分。
- 目标过小或者模糊到人眼都难以确认类别时，不标注。这类低质量标注只会给模型传递噪声。
- 同一张图中同一目标不要重复标注，旋转框之间允许轻微重叠，但严重重叠时要检查是不是标注重复了。
注意：标注质量直接影响模型上限。宁可少标一些，也不要标错或标得含含糊糊。我以前刚开始做OBB训练时，为了图省事让标注员快速拉框，结果大量框贴合度过差，训练出来的模型预测框总是往外“兜一圈”，后面返工标注的代价更大。
2.3 标注文件的组织方式
我习惯在项目根目录下建立如下的文件结构：
dataset/ ├── images/ │ ├── train/ │ │ ├── 000001.jpg │ │ └── ... │ └── val/ │ ├── 000100.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── 000001.txt │ │ └── ... │ └── val/ │ ├── 000100.txt │ └── ... ├── data.yaml └── classes.txt每张图片对应一个同名TXT文件，TXT中每一行是一个目标。在标注工具导出的原始格式中，一行通常是x1,y1,x2,y2,x3,y3,x4,y4,class_name这样的绝对像素坐标。注意这里的顶点顺序可能是顺时针也可能是逆时针，而且类别是字符串而不是索引，所以转换脚本要处理这两点。
标注工作量大时，我建议分批次标注：先标500到1000张启动第一轮训练，然后把模型的预测结果导出成伪标签，人工在标注工具中修正一遍，这样效率会高很多，也符合目前半自动标注的主流做法。
3. 数据格式转换：从标注输出到YOLO26 OBB标签
3.1 各类格式的差异对照
在动手写转换脚本前，一定要先搞清楚格式差异。几种常见格式的对比我用表列出来：
| 比较项 | 标注工具导出格式 | YOLO26 OBB格式 |
|---|---|---|
| 坐标系统 | 绝对像素坐标 | 归一化到0~1 |
| 顶点数量 | 通常4个顶点 | 4个顶点 |
| 坐标表达 | 形如“x1,y1,x2,y2,x3,y3,x4,y4,类别名” | 形如“class x1 y1 x2 y2 x3 y3 x4 y4” |
| 顶点顺序 | 不固定，看工具 | 必须顺时针 |
| 归一化基准 | 无 | 图片宽、高各自独立 |
数据格式转换的核心，是从绝对像素坐标转到归一化坐标，并统一顶点方向。类别的字符串名称还需要映射到整数索引，顺序以classes.txt为准。
3.2 转换脚本实现
下面这个转换脚本我实测过多次，可以直接拿用。主要做了三件事：解析标注工具的TXT输出、把顶点坐标除以图片宽高做归一化、统一顶点为顺时针方向。
import os import math from PIL import Image def check_order(points): # 计算多边形有向面积，小于0说明是逆时针，需要反转 area = 0 n = len(points) for i in range(n): x1, y1 = points[i] x2, y2 = points[(i + 1) % n] area += (x1 * y2 - x2 * y1) return area def order_points_clockwise(points): # 按几何中心排序，使顶点按顺时针排列 cx = sum(p[0] for p in points) / 4 cy = sum(p[1] for p in points) / 4 # 计算每个点相对于中心的角度，按角度值排列 angles = [] for idx, (px, py) in enumerate(points): ang = math.atan2(py - cy, px - cx) angles.append(ang) sorted_idx = sorted(range(4), key=lambda i: angles[i]) # 角度从大到小排列即为顺时针（在图像坐标系下） sorted_idx = sorted_idx[::-1] return [points[i] for i in sorted_idx] def convert_single(src_label_path, img_w, img_h, class_map): items = [] with open(src_label_path, 'r', encoding='utf-8') as f: for line in f: parts = line.strip().split(',') if len(parts) != 9: continue x1, y1, x2, y2, x3, y3, x4, y4, class_name = parts pts = [ (float(x1), float(y1)), (float(x2), float(y2)), (float(x3), float(y3)), (float(x4), float(y4)), ] pts = order_points_clockwise(pts) # 归一化 norm = [] for (px, py) in pts: norm.append(round(px / img_w, 6)) norm.append(round(py / img_h, 6)) if class_name not in class_map: continue cls_idx = class_map[class_name] items.append([cls_idx] + norm) return items def build_class_map(classes_file): class_map = {} with open(classes_file, 'r', encoding='utf-8') as f: for idx, line in enumerate(f): class_map[line.strip()] = idx return class_map def convert_folder(images_folder, src_label_folder, dst_label_folder, classes_file): class_map = build_class_map(classes_file) os.makedirs(dst_label_folder, exist_ok=True) for img_name in os.listdir(images_folder): if not img_name.lower().endswith(('.jpg', '.jpeg', '.png')): continue stem = os.path.splitext(img_name)[0] img_path = os.path.join(images_folder, img_name) src_txt = os.path.join(src_label_folder, stem + '.txt') dst_txt = os.path.join(dst_label_folder, stem + '.txt') if not os.path.exists(src_txt): print(f'注意：图片 {img_name} 缺少标签文件') continue with Image.open(img_path) as im: w, h = im.size items = convert_single(src_txt, w, h, class_map) with open(dst_txt, 'w', encoding='utf-8') as f: for item in items: f.write(' '.join([str(v) for v in item]) + '\n') # 使用示例 # convert_folder( # images_folder='dataset/images/train', # src_label_folder='raw_labels/train', # dst_label_folder='dataset/labels/train', # classes_file='dataset/classes.txt' # )这段代码里有几个关键点需要说明。
order_points_clockwise函数通过计算每个顶点相对于四个点几何中心的极角，再按角度降序排列，从而将顶点统一为顺时针顺序。为什么用几何中心而不是第一个点？因为标注时第一个点可能落在任意角点，以第一个点为基准排序的话结果是不稳定的。
归一化的时候，需要注意宽高是分开计算的。有人会把坐标同时除以图片短边，这会导致框的横纵比例失真，模型训练时会出现奇怪的“压扁”现象。
转换完成之后，强烈建议做可视化检查。下面这段脚本会把归一化标签还原成图片上的四边形框画出来：
import cv2 import numpy as np def visualize(img_path, label_path, classes): img = cv2.imread(img_path) h, w = img.shape[:2] with open(label_path, 'r') as f: for line in f: parts = line.strip().split() if len(parts) != 9: continue cls_idx = int(parts[0]) pts = [(float(parts[i]) * w, float(parts[i + 1]) * h) for i in range(1, 9, 2)] pts = np.array(pts, np.int32).reshape((-1, 1, 2)) cv2.polylines(img, [pts], isClosed=True, color=(0, 255, 0), thickness=2) cv2.putText(img, classes[cls_idx], (int(pts[0][0][0]), int(pts[0][0][1] - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) return img检查时重点看两点：一是四个顶点是否贴合目标边缘，二是框的走向是否和目标的朝向一致。如果出现大量顶点顺序错误，比如框在目标上扭成“麻花”，多半是工具导出的顶点画法和我们约定的方向不一致，这时不要硬调脚本逻辑，优先在标注工具侧统一标注习惯。
3.3 训练集验证集划分
格式转换完成后，还需要把数据分成训练集和验证集。我习惯按8:2或9:1的比例随机划分，但要注意同一场景的连续帧图片不能既进训练集又进验证集，否则会造成严重的数据泄漏，指标虚高到你自己都不敢信。
划分时用一段简洁的脚本即可，同时生成最终的data.yaml文件：
path: dataset train: images/train val: images/val names: 0: vehicle 1: personpath字段可以用相对路径，也可以用绝对路径。我建议在你的训练工作目录下使用相对路径，这样项目迁移到其他机器时不需要反复修改配置。
4. 训练：配置环境、模型选择与参数调优
4.1 环境准备与官方库安装
YOLO26的OBB训练依赖主流的深度学习框架，安装步骤比较简单。我建议用专门的虚拟环境来隔离项目依赖，避免不同项目之间的包冲突。
# 创建并激活虚拟环境 python -m venv yolo26_venv source yolo26_venv/bin/activate # 安装深度学习框架（以CUDA版本为例） pip install torch torchvision # 安装YOLO26官方代码库 pip install yolo26如果你机器上没有GPU，CPU也能跑通整个流程，只是训练速度会非常慢。建议先用小数据集、小模型在CPU上验证流程没问题，再上GPU跑正式训练。装完库后执行一行命令，确认环境跑起来了：
yolo task=obb mode=help如果能看到OBB相关的模式说明，说明安装正常。
4.2 选择预训练模型
YOLO26官方提供的OBB模型按体量分成了几个档位，不同档位对应不同的精度和速度取舍。以我的项目为例，个人经验是：
| 模型档位 | 参数量规模 | 适用场景 | 显存需求参考 |
|---|---|---|---|
| n | 最小 | 快速验证、边缘设备部署 | 4GB左右 |
| s | 小 | 中等数据集、追求速度 | 6GB左右 |
| m | 中 | 精度与速度平衡 | 8GB以上 |
| l | 大 | 高精度场景 | 12GB以上 |
| x | 最大 | 极致精度 | 16GB以上 |
对于第一次跑通流程，我建议直接用yolo26-obb-s预训练权重。数据规模不大时，大模型很容易过拟合，训练周期长还不见得比小模型好。等你把整套流程走顺了，再根据实际效果换模型档位。
4.3 关键训练参数详解
YOLO26 OBB训练的命令行参数和水平检测版本基本一致，但有几个参数对OBB特别关键。我最常用的训练命令如下：
yolo task=obb mode=train \ model=yolo26-obb-s.pt \ data=dataset/data.yaml \ epochs=300 \ imgsz=1024 \ batch=8 \ lr0=0.01 \ weight_decay=0.0005 \ degrees=180 \ scale=0.5 \ translate=0.1 \ cache=True \ device=0逐个参数说明一下我为什么这么设。
imgsz=1024是因为OBB项目的原始图片通常分辨率较高、目标较小。如果你使用默认的640，小尺寸目标在缩放到640后可能只剩下十几个像素，特征几乎全部丢失。增大输入尺寸可以明显改善小目标的检测效果，代价是显存占用上升，训练速度下降。如果显存不够，优先降低batch，也不要轻易降低imgsz。
degrees=180是一项OBB专属的增强策略。水平框检测做旋转增强时通常只旋转90度，因为目标一旦转90度可能就变成“倒立”的了，语义上不合理。但旋转目标检测不存在这个问题，飞机的朝向可以是任何角度，乘以180度旋转增强等于对模型施加强烈约束，让它学到旋转不变性。我第一次跑OBB时没开角度增强，验证集mAP50只有75%左右，后来开了180度增强，同样的数据涨到了84%。这个参数值得重视。
scale=0.5和translate=0.1控制尺度扰动和平移扰动。遥感场景和工业场景中目标尺度变化大，适当开启能增强模型的尺度鲁棒性。
batch=8是在8GB显存下的一个安全值。如果你用更大的显存，可以适当加batch，但注意batch过大会导致单个epoch的迭代次数减少，学习率调度需要相应调整。一般跑完一个epoch观察loss曲线即可判断参数设置是否合理。
关于预训练权重，建议优先使用官方在大型数据集上训练好的OBB权重。这里有一个常识可以多说一句：OBB预训练权重相对少见，如果找不到同任务的OBB权重，也可以先用普通水平框权重初始化主干特征提取部分，再让模型从头学习旋转框回归头。这样做的原理在于，主干网络学到的是通用的图像特征，与框的表达形式无关。
4.4 训练过程中的监控与止损
训练启动后不要干等，要学会看输出日志。前几十个epoch，loss下降通常是快速且剧烈的，后面趋于平缓。如果发现验证集上的mAP50在某个点开始停止上升，甚至轻微下降，而训练集上的loss还在降，说明模型开始过拟合了。此时不要等到300个epoch全部跑完，直接停掉，用验证集指标最优的那一轮权重来做测试即可。
YOLO26在训练过程中会定期保存多个checkpoint，包括当前最优的权重best.pt和最后一轮权重last.pt。我自己测试时永远用best.pt，因为它是在验证集上独立选出来的，泛化性更有保障。last.pt适合做断点续训：
yolo task=obb mode=train \ model=runs/obb/train/your_exp/weights/last.pt \ data=dataset/data.yaml \ epochs=300 \ resume=True断点续训会接着之前的epoch继续跑，不需要重新设置dataset之外的参数，省心很多。
5. 测试评估：跑验证集、可视化与指标解读
5.1 模型验证与指标报表
训练收敛后，第一步是在完整的验证集上跑一遍评估指标。命令很简单：
yolo task=obb mode=val \ model=runs/obb/train/your_exp/weights/best.pt \ data=dataset/data.yaml \ imgsz=1024 \ batch=16跑完之后控制台会输出一份表格，主要包括mAP50、mAP50-95、precision、recall等指标。这里我解释一下两个最主要的指标：
- mAP50表示IoU阈值取0.5时各类别AP的均值。这个指标对定位精度的要求比较宽松，适合判断模型“找没找到目标”。
- mAP50-95表示从0.5到0.95每隔0.05取一个IoU阈值，计算各个阈值下的AP再取平均。它更看重框的精确定位能力，对OBB模型的框角点位置尤其敏感。
实际项目中，我会同时看这两个数值。如果mAP50高但mAP50-95明显偏低，说明模型虽然能找到目标，但旋转框的角度回归和尺度回归还不够精细，需要重点关注顶点贴合度、角度预测的稳定性。如果两项都偏低，大概率是数据量不足、标注质量问题或者训练不充分。
5.2 可视化预测结果与错误模式分析
指标只是数字，可视化结果能帮你看到更多的细节。用下面的命令生成带预测框的验证集图片：
yolo task=obb mode=predict \ model=runs/obb/train/your_exp/weights/best.pt \ source=dataset/images/val \ imgsz=1024 \ conf=0.25 \ save=True \ save_txt=True打开输出目录里的图片，我建议带着几个问题去看：
- 预测框是否贴合目标边缘？如果框总是比目标大一圈，说明顶点回归不够精准，可以尝试训练后期降低回归分支损失权重或者增加角度损失约束。
- 密集目标区域是否存在漏检？漏检通常发生在目标重叠、遮挡严重的区域，典型原因是NMS把重叠框误杀。OBB的IoU计算和水平框不同，使用的是旋转框的相交面积。如果发现目标稍微有重叠就被删框，可检查后处理相关配置。
- 是否存在误检？把背景或者相似物体误认为目标，这时优先检查标注标签里是否有错标和漏标的负样本。
- 小目标数量占比高的场景，预测框是否会漏掉小目标？这多半归因于输入尺寸不足。一个简单验证方式：把imgsz从1024提升到1280，看看mAP50是否明显上升。
5.3 模型导出与部署注意事项
测试评估通过后，如果你需要把模型部署到实际业务中，YOLO26官方库支持导出多种格式。OBB和普通检测的导出流程基本一致：
yolo task=obb mode=export \ model=runs/obb/train/your_exp/weights/best.pt \ imgsz=1024 \ format=onnx导出ONNX后做推理时，输出的张量结构和水平检测模型不同，旋转框的解码逻辑是在后处理阶段完成的。如果是在自己写的推理服务里集成，需要把顶点解码和旋转框NMS都实现一遍。建议先在官方Python接口上跑通推理流程，确认输出正确，再移植到你的服务里。
另外要提醒一点：部署上的输入尺寸要和训练时的imgsz保持一致，否则推理结果会有明显偏差。我见过一个案例，训练用1024，部署时为了省时把输入resize到640，准确率直接跌了十多个点，排查了很久才找到原因。
6. 常见问题速查与我的避坑心得
6.1 典型报错与解决方案表
整个OBB流程跑下来，我把自己遇到过以及身边人经常卡住的问题整理成了一张速查表：
| 现象 | 常见原因 | 解决方案 |
|---|---|---|
| 训练loss直接变成NaN | 标签中存在归一化坐标超出0~1范围的异常框 | 写脚本检查所有label的坐标值，删除非法框；顺便检查图片和标签是否一一对应 |
| 训练时mAP一直为0 | 类别索引映射错误，比如类别从1开始计数导致模型始终找不到目标 | 排查data.yaml中names顺序和labels中的索引是否一致 |
| 转换格式后可视化出现“麻花框” | 顶点顺序没有统一为顺时针 | 在标注工具导出时统一四个点的画法，并保留顺时针转换逻辑 |
| 模型预测框总是贴合不紧密 | 标注质量差，大量框只是“大概框一下” | 重新修正标注，保证四顶点落在目标角点；适当降低degrees增强强度 |
| 小目标大量漏检 | imgsz太小，输入缩放后目标仅剩几个像素 | 提高imgsz至1280或更高，优先保证小目标的特征分辨率 |
| 显存不足OOM | batch和imgsz设置过大 | 调低batch，开启cache=False，必要时降低imgsz |
| 训练不收敛 | 学习率过大或者数据集过小 | 调低lr0到0.005附近，同时增大epoch上限并配合早停 |
| 验证集指标高但实际场景很差 | 验证集和训练集来自同一场景，存在数据泄漏 | 按场景划分数据，而不是按图片随机划分 |
6.2 OBB场景下的独家技巧
标注阶段，我强烈建议你至少抽20%的图片做二次校验。不是说标注小伙伴不认真，而是旋转框这种标注方式本身就比水平框更容易出现“看起来差不多、实际上角度偏了”的误差。可以用训练完的模型回验标注，把模型预测和人工标注不一致的图片挑出来重点查看。
训练阶段，一个容易被忽略的点是类别样本均衡。OBB项目常有类别分布不均的情况，比如“货车”有两万张图，“行人”只有三百张。这时不要急于做复杂的采样，先用基础的数据增强跑一版，看哪些类别真的起不来，再针对少数类单独做简单的上下采样或者样本复制增强，很多情况下就能缓解。
另外，旋转框的NMS处理和水平框不一样，官方代码默认的OBB NMS是精确的旋转IoU计算，速度相对较慢。推理时如果对延迟敏感，可以尝试在导出模型时开启一些加速选项，或者在精度可接受的范围内放宽NMS阈值，减少候选框数量。
6.3 我在实际项目中的体会
做OBB项目这一年多，我最大的感受是：旋转目标检测的难点往往不在模型结构，而在于数据管线的严谨程度。水平框检测就算标签稍微粗糙一点，模型也能“凑合”学到个大概；但旋转框一旦顶点顺序错乱、归一化异常、或者标注贴合度过差，损失函数全程飘忽不定，模型精度的上限会被死死压住。
所以我建议你拿到一个新OBB任务时，不要急着调参跑训练，先用半天时间把标注规范定清楚、把格式转换脚本和可视化校验脚本写好、把训练集验证集的划分逻辑确认无误。这些前置工作看起来慢，实际上能帮你省下后面数倍的时间。
如果你按这篇教程跑通了第一个OBB模型，接下来可以继续尝试的扩展方向包括：针对自有数据做半自动标注迭代、尝试更大输入尺寸和模型档位组合、在OBB的loss中引入更精细的角度损失项，甚至把OBB和多任务学习结合起来做联合检测。旋转目标检测的应用空间还很大，祝你在自己的项目里顺利出结果。
