旋转框 (OBB) 数据集概览
训练一个精确的 目标检测 模型并使用旋转框 (OBB) 需要一个完整的数据集。本指南介绍了与 Ultralytics YOLO 模型兼容的各种 OBB 数据集格式，并提供了有关其结构、应用以及格式转换方法的见解。
支持的 OBB 数据集格式
YOLO OBB 格式
YOLO OBB 格式通过其四个角点坐标来指定边界框，坐标归一化在 0 到 1 之间。它遵循以下格式：
class_index x1 y1 x2 y2 x3 y3 x4 y4在内部，YOLO 以 xywhr 格式处理损失和输出，该格式表示 边界框 的中心点 (xy)、宽度、高度和旋转角度。
上述图像对应的 *.txt 标签文件示例（包含一个 OBB 格式的 0 类对象）如下所示：
0 0.780811 0.743961 0.782371 0.74686 0.777691 0.752174 0.776131 0.749758数据集 YAML 格式
Ultralytics 框架使用 YAML 文件格式来定义用于训练 OBB 模型的数据集和模型配置。以下是用于定义 OBB 数据集的 YAML 格式示例：
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# DOTA8 dataset (8 images from the DOTAv1 split) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/obb/dota8/
# Example usage: yolo train model=yolov8n-obb.pt data=dota8.yaml
# parent
# ├── ultralytics
# └── datasets
# └── dota8 ← downloads here (1 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: dota8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
# Classes for DOTA 1.0
names:
0: plane
1: ship
2: storage tank
3: baseball diamond
4: tennis court
5: basketball court
6: ground track field
7: harbor
8: bridge
9: large vehicle
10: small vehicle
11: helicopter
12: roundabout
13: soccer ball field
14: swimming pool
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/dota8.zip使用方法
要使用这些 OBB 格式训练模型：
from ultralytics import YOLO
# Create a new YOLO26n-OBB model from scratch
model = YOLO("yolo26n-obb.yaml")
# Train the model on the DOTAv1 dataset
results = model.train(data="DOTAv1.yaml", epochs=100, imgsz=1024)支持的数据集
目前支持以下带旋转框的数据集：
- DOTA-v1：DOTA 数据集的第一个版本，提供了一套全面的航拍图像，带有用于目标检测的旋转框。
- DOTA-v1.5：DOTA 数据集的中间版本，在 DOTA-v1 的基础上提供了额外的标注和改进，以增强目标检测任务的效果。
- DOTA-v2：DOTA（航拍图像目标检测大型数据集）第 2 版，强调从空中视角进行检测，包含 170 万个实例和 11,268 张带有旋转框的图像。
- DOTA8：完整 DOTA 数据集的一个小型 8 图像子集，适用于测试工作流以及在
ultralytics仓库中进行 OBB 训练的持续集成 (CI) 检查。 - DOTA128：DOTA 数据集的一个 128 图像子集，train 文件夹中的所有图像（同时用于训练和验证），在规模和多样性之间提供了良好的平衡，适合测试 OBB 模型。
集成你自己的 OBB 数据集
如果你想引入自己的带旋转框数据集，请确保与上述“YOLO OBB 格式”兼容。将你的标注转换为此所需格式，并在相应的 YAML 配置文件中详细说明路径、类别和类别名称。
转换标签格式
DOTA 数据集格式到 YOLO OBB 格式
使用此脚本可以将标签从 DOTA 数据集格式转换为 YOLO OBB 格式：
from ultralytics.data.converter import convert_dota_to_yolo_obb
convert_dota_to_yolo_obb("path/to/DOTA")这种转换机制对于 DOTA 格式的数据集非常有用，确保了与 Ultralytics YOLO OBB 格式的一致性。
必须验证数据集与模型的兼容性，并遵守必要的格式约定。结构良好的数据集对于训练高效的旋转框目标检测模型至关重要。
常见问题 (FAQ)
什么是旋转框 (OBB)，它们如何在 Ultralytics YOLO 模型中使用？
旋转框 (OBB) 是一种边界框标注类型，它可以通过旋转来更紧密地贴合被检测对象，而不只是轴对齐的框。这在航空或卫星图像中特别有用，因为对象可能不会与图像轴对齐。在 Ultralytics YOLO 模型中，OBB 由 YOLO OBB 格式中的四个角点表示。这允许更精确的目标检测，因为边界框可以旋转以更好地适应对象。
如何将现有的 DOTA 数据集标签转换为 YOLO OBB 格式以用于 Ultralytics YOLO26？
你可以使用 Ultralytics 中的 convert_dota_to_yolo_obb 函数将 DOTA 数据集标签转换为 YOLO OBB 格式。这种转换确保了与 Ultralytics YOLO 模型的兼容性，使你能够利用 OBB 功能来增强目标检测。这是一个简单的示例：
from ultralytics.data.converter import convert_dota_to_yolo_obb
convert_dota_to_yolo_obb("path/to/DOTA")此脚本会将你的 DOTA 标注重新格式化为 YOLO 兼容的格式。
如何在我的数据集上训练带有旋转框 (OBB) 的 YOLO26 模型？
训练带有 OBB 的 YOLO26 模型需要确保你的数据集处于 YOLO OBB 格式，然后使用 Ultralytics API 进行训练。以下是 Python 和 CLI 的示例：
from ultralytics import YOLO
# Create a new YOLO26n-OBB model from scratch
model = YOLO("yolo26n-obb.yaml")
# Train the model on the custom dataset
results = model.train(data="your_dataset.yaml", epochs=100, imgsz=640)这确保了你的模型利用详细的 OBB 标注来提高检测 精度。
Ultralytics YOLO 模型中目前支持哪些用于 OBB 训练的数据集？
目前，Ultralytics 支持以下用于 OBB 训练的数据集：
- DOTA-v1：DOTA 数据集的第一个版本，提供了一套全面的航拍图像，带有用于目标检测的旋转框。
- DOTA-v1.5：DOTA 数据集的中间版本，在 DOTA-v1 的基础上提供了额外的标注和改进，以增强目标检测任务的效果。
- DOTA-v2：此数据集包含 170 万个带有旋转框的实例和 11,268 张图像，主要专注于空中目标检测。
- DOTA8：DOTA 数据集的一个较小的 8 图像子集，用于测试和 持续集成 (CI) 检查。
- DOTA128：一个 128 图像的子集，train 文件夹中的所有图像（同时用于训练和验证），与 DOTA8 相比提供了更多样性，同时仍易于管理，适合初步的 OBB 模型开发和实验。
这些数据集专为 OBB 具有显着优势的场景而定制，例如航空和卫星图像分析。
我可以使用自己的带旋转框数据集进行 YOLO26 训练吗？如果可以，怎么做？
可以，你可以使用自己的带旋转框数据集进行 YOLO26 训练。请确保你的数据集标注已转换为 YOLO OBB 格式，这涉及通过四个角点定义边界框。然后，你可以创建一个 YAML 配置文件，指定数据集路径、类别和其他必要细节。有关创建和配置数据集的更多信息，请参考 支持的数据集 部分。