使用 Ultralytics YOLO 进行有向边界框检测#

有向目标检测比标准目标检测更进一步，通过增加一个角度来更准确地定位图像中的对象。

有向目标检测器的输出是一组旋转边界框，可精确包围图像中的对象，并附带每个框的类别标签和置信度分数。对象以各种角度出现时，有向边界框尤其有用，例如在航拍图像中，传统的轴对齐边界框可能会包含不必要的背景。典型用途包括利用卫星和无人机检测船只和车辆、分析建筑物和基础设施以进行城市规划、监测农作物，以及检查太阳能板或风力涡轮机。

使用 OBB 检测船只	使用 OBB 检测车辆

模型#

以下展示了在 DOTAv1 数据集上预训练的 YOLO26 OBB 模型。

首次使用时，模型会自动从 Ultralytics 最新版本下载。

• mAP^test 数值是在 DOTAv1 数据集上以单模型、多尺度方式得出的。
  使用 yolo obb val data=DOTAv1.yaml device=0 split=test nms=False 复现，并将合并后的结果提交至 DOTA 评估。
• 速度 是使用 ONNX 在 CPU 上以及使用 TensorRT10 在 NVIDIA T4 GPU 上，对 DOTAv1 验证图像进行测试后取平均值的结果。
  使用 yolo obb val data=DOTAv1.yaml batch=1 device=0|cpu nms=False 复现
• 参数量和 FLOPs 数值对应融合后的模型，该模型经过 Conv/BatchNorm 折叠并移除了未使用的检测分支。预训练检查点保留完整的训练架构，因此显示的数值可能更高。

初步 DOTAv1 结果请参阅尚未发布的 YOLO27 预览版。

训练#

在 DOTA8 数据集上以 640 的图像尺寸训练 YOLO26n-obb，共训练 100 个 epochs。如需查看可用参数的完整列表，请参阅 Configuration 页面。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-obb.yaml")  # 从 YAML 构建新模型
model = YOLO("yolo26n-obb.pt")  # 加载预训练模型（推荐用于训练）
model = YOLO("yolo26n-obb.yaml").load("yolo26n-obb.pt")  # 从 YAML 构建模型并迁移权重

# 训练模型
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

有关 train 模式的完整详情，请参阅 Train 页面。你也可以通过 Ultralytics Platform 云训练训练 OBB 模型。

数据集格式#

OBB 数据集格式的详细说明请参阅 Dataset Guide。YOLO OBB 格式使用边界框的四个角点表示框，坐标归一化到 0 到 1 之间，格式如下。Ultralytics Platform 标注支持 OBB 标签，并提供专用的有向边界框绘制工具：

class_index x1 y1 x2 y2 x3 y3 x4 y4

在内部，YOLO 使用 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。

验证#

在 DOTA8 数据集上验证训练好的 YOLO26n-obb 模型的准确率。请显式传入 data，以确保验证使用预期的数据集 YAML 文件。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-obb.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 验证模型
metrics = model.val(data="dota8.yaml")  # 在 DOTA8 数据集上进行验证
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # 包含每个类别 mAP50-95(B) 的列表
metrics.box.image_metrics  # 包含精确率、召回率、F1、TP、FP 和 FN 的逐图像指标字典

预测#

使用训练好的 YOLO26n-obb 模型对图像进行预测。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-obb.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 使用模型进行预测
results = model("https://ultralytics.com/images/boats.jpg")  # 对图像进行预测

# 访问结果
for result in results:
    xywhr = result.obb.xywhr  # 中心点 x、中心点 y、宽度、高度、角度（弧度）
    xyxyxyxy = result.obb.xyxyxyxy  # 四点多边形格式
    names = [result.names[cls.item()] for cls in result.obb.cls.int()]  # 每个框的类别名称
    confs = result.obb.conf  # 每个框的置信度分数

请参阅预测页面，了解完整的 predict 模式详情。

传入 save_crop=True，即可按每个 OBB 的框尺寸保存旋转对齐的裁剪图，ObjectCropper 也有同样的作用。

结果输出#

有向边界框检测会为每张图像返回一个 Results 对象。主要预测字段为 result.obb，其中包含每个检测对象的旋转框、类别 ID 和置信度分数。

标签会规范化为长边约定，但预测结果不会，因此 result.obb.xywhr 可能会报告 w 小于 h，且旋转角度是从短边开始测量的。这两种形式都表示同一个矩形，因此无论采用哪种形式，result.obb.xyxyxyxy 都是正确的。如果下游代码需要长边形式，请将角点转换回去，并注意重写框参数可能会导致角点顺序循环移位：

from ultralytics.utils.ops import xyxyxyxy2xywhr

xywhr = xyxyxyxy2xywhr(result.obb.xyxyxyxy)  # w >= h, rotation in [-pi/4, 3pi/4)

如需了解所有任务中特定于任务的 Results 字段，请参阅按任务查看预测结果部分。

导出#

将 YOLO26n-obb 模型导出为 ONNX、CoreML 等其他格式。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-obb.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 导出模型
model.export(format="onnx")

YOLO26-obb 可导出的格式见下表。你可以使用 format 参数将模型导出为任意格式，例如 format='onnx' 或 format='engine'。你可以直接使用导出的模型进行预测或验证，例如 yolo predict model=yolo26n-obb.onnx。导出完成后，页面会显示适用于你模型的用法示例。

nms=None 默认输出原始结果，以供外部 NMS 使用。设置 nms=False 可选择可用的无 NMS 检测头；不支持的格式会回退到其原生输出路径。上方的 nms 条目表示可以通过 nms=True 嵌入 NMS 的格式。

请参阅 Export 页面，了解完整的 export 详情。

常见问题#