带旋转角度的边界框 目标检测
相比标准目标检测，带旋转角度的目标检测更进一步，它引入了一个额外的角度，从而能更精准地定位图像中的对象。
旋转目标检测器的输出是一组旋转的边界框，它们能精确地框选出图像中的对象，并提供每个框的类别标签和置信度分数。当对象以各种角度出现时（例如在航空影像中），旋转边界框特别有用，因为传统的轴对齐边界框可能会包含不必要的背景。
YOLO26 OBB 模型使用 -obb 后缀，例如 yolo26n-obb.pt，并已在 DOTAv1 上完成预训练。
Watch: How to Detect & Track Objects with Ultralytics YOLO26 Oriented Bounding Boxes (OBB) | Ship Tracking 🚢
视觉示例
| 使用 OBB 进行船舶检测 | 使用 OBB 进行车辆检测 |
|---|---|
 |  |
模型
此处展示了 YOLO26 预训练的 OBB 模型，它们是在 DOTAv1 数据集上预训练的。
模型在首次使用时会自动从最新的 Ultralytics 发布版本下载。
| 模型 | 尺寸 (像素) | mAPtest 50-95(e2e) | mAPtest 50(e2e) | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLO26n-obb | 1024 | 52.4 | 78.9 | 97.7 ± 0.9 | 2.8 ± 0.0 | 2.5 | 14.0 |
| YOLO26s-obb | 1024 | 54.8 | 80.9 | 218.0 ± 1.4 | 4.9 ± 0.1 | 9.8 | 55.1 |
| YOLO26m-obb | 1024 | 55.3 | 81.0 | 579.2 ± 3.8 | 10.2 ± 0.3 | 21.2 | 183.3 |
| YOLO26l-obb | 1024 | 56.2 | 81.6 | 735.6 ± 3.1 | 13.0 ± 0.2 | 25.6 | 230.0 |
| YOLO26x-obb | 1024 | 56.7 | 81.7 | 1485.7 ± 11.5 | 30.5 ± 0.9 | 57.6 | 516.5 |
- mAPtest 数值基于 DOTAv1 数据集上的单模型多尺度测试结果。
通过yolo val obb data=DOTAv1.yaml device=0 split=test进行复现，并将合并后的结果提交至 DOTA 评估。 - 速度 是基于 Amazon EC2 P4d 实例在 DOTAv1 验证集图像上平均得出的。
通过yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu进行复现。 - 参数量 (Params) 和 FLOPs 数值是针对执行
model.fuse()后的融合模型而言的，该操作合并了 Conv 和 BatchNorm 层，并移除了端到端模型的辅助一对多检测头。预训练检查点保留了完整的训练架构，因此可能显示更高的数值。
训练
在 DOTA8 数据集上训练 YOLO26n-obb，图像尺寸设为 640，进行 100 个 epoch。有关可用参数的完整列表，请参阅 配置 页面。
OBB 角度限制在 0-90 度 范围内（不包含 90 度）。不支持 90 度或以上的角度。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-obb.yaml") # build a new model from YAML
model = YOLO("yolo26n-obb.pt") # load a pretrained model (recommended for training)
model = YOLO("yolo26n-obb.yaml").load("yolo26n-obb.pt") # build from YAML and transfer weights
# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)Watch: How to Train Ultralytics YOLO-OBB (Oriented Bounding Boxes) Models on DOTA Dataset using Ultralytics Platform
数据集格式
有关 OBB 数据集格式的详细信息，请参阅 数据集指南。YOLO OBB 格式通过坐标归一化到 0 和 1 之间的四个角点坐标来指定边界框，并遵循此结构。Ultralytics Platform 支持使用专用的旋转边界框绘制工具进行 OBB 标注：
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。
验证
在 DOTA8 数据集上验证训练好的 YOLO26n-obb 模型的 准确率。不需要额外的参数，因为 model 会保留其训练时的 data 和其他参数作为模型属性。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-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
metrics.box.map # map50-95(B)
metrics.box.map50 # map50(B)
metrics.box.map75 # map75(B)
metrics.box.maps # a list containing mAP50-95(B) for each category
metrics.box.image_metrics # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN预测
使用训练好的 YOLO26n-obb 模型对图像进行预测。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-obb.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom model
# Predict with the model
results = model("https://ultralytics.com/images/boats.jpg") # predict on an image
# Access the results
for result in results:
xywhr = result.obb.xywhr # center-x, center-y, width, height, angle (radians)
xyxyxyxy = result.obb.xyxyxyxy # polygon format with 4-points
names = [result.names[cls.item()] for cls in result.obb.cls.int()] # class name of each box
confs = result.obb.conf # confidence score of each boxWatch: How to Detect and Track Storage Tanks using Ultralytics YOLO-OBB | Oriented Bounding Boxes | DOTA
See full predict mode details in the Predict page.
导出
将 YOLO26n-obb 模型导出为 ONNX、CoreML 等其他格式。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-obb.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom-trained model
# Export the model
model.export(format="onnx")下表列出了可用的 YOLO26-obb 导出格式。你可以使用 format 参数导出为任何格式，例如 format='onnx' 或 format='engine'。你可以在导出后的模型上直接进行预测或验证，例如 yolo predict model=yolo26n-obb.onnx。模型导出完成后，系统会为你展示用法示例。
| 格式 | format 参数 | 模型 | 元数据 | 参数 |
|---|---|---|---|---|
| PyTorch | - | yolo26n-obb.pt | ✅ | - |
| TorchScript | torchscript | yolo26n-obb.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n-obb.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n-obb_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n-obb.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n-obb.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n-obb_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n-obb.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n-obb.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n-obb_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n-obb_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n-obb_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n-obb.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n-obb_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n-obb_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n-obb_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n-obb_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n-obb_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DeepX | deepx | yolo26n-obb_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
See full export details in the Export page.
现实世界应用
YOLO26 的 OBB 检测在各行各业有着广泛的实际应用：
- 海事与港口管理：检测处于不同角度的船舶和船只，用于 车队管理 和监控。
- 城市规划：从航空影像中分析建筑物和基础设施。
- 农业：通过无人机影像监测农作物和农业设备。
- 能源行业：检查不同朝向的太阳能电池板和风力涡轮机。
- 交通运输：从各种视角跟踪道路和停车场上的车辆。
这些应用受益于 OBB 能够精准贴合任意角度物体的能力，提供了比传统边界框更准确的检测效果。
常见问题 (FAQ)
什么是旋转边界框 (OBB)？它们与普通边界框有何不同？
旋转边界框 (OBB) 包含一个额外的角度，以提高图像中物体定位的准确性。与普通边界框（轴对齐矩形）不同，OBB 可以旋转以更好地适配对象的方向。这对于需要精确放置物体的应用（例如航空或卫星影像）特别有用（数据集指南）。
如何使用自定义数据集训练 YOLO26n-obb 模型？
要使用自定义数据集训练 YOLO26n-obb 模型，请参考下方使用 Python 或 CLI 的示例：
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo26n-obb.pt")
# Train the model
results = model.train(data="path/to/custom_dataset.yaml", epochs=100, imgsz=640)有关更多训练参数，请查看 配置 部分。
我可以为 YOLO26-OBB 模型训练使用哪些数据集？
YOLO26-OBB 模型是在 DOTAv1 等数据集上进行预训练的，但你可以使用任何格式正确的 OBB 数据集。有关 OBB 数据集格式的详细信息，请参阅 数据集指南。
如何将 YOLO26-OBB 模型导出为 ONNX 格式？
使用 Python 或 CLI 可以轻松地将 YOLO26-OBB 模型导出为 ONNX 格式：
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-obb.pt")
# Export the model
model.export(format="onnx")有关更多导出格式和详细信息，请参阅 导出 页面。
如何验证 YOLO26n-obb 模型的准确性？
要验证 YOLO26n-obb 模型，你可以使用如下所示的 Python 或 CLI 命令：
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-obb.pt")
# Validate the model
metrics = model.val(data="dota8.yaml")在 验证 部分查看完整的验证详情。