标注旋转框输出yolo

### YOLO 模型中旋转框的标注与输出 YOLO (You Only Look Once) 是一种高效的目标检测算法，在处理常规矩形边界框方面表现出色。然而，默认情况下，YOLO 并不支持直接处理旋转框。为了使 YOLO 支持旋转框，可以采用一些特定的方法来调整数据集准备、模型训练以及预测阶段。 #### 数据集准备 对于带有角度的对象，通常的做法是在标签文件中标记对象中心坐标 `(cx, cy)` 和宽度 `w` 及高度 `h` 的尺寸参数外加一个表示倾斜角的角度值 θ 。这种形式的数据可以通过自定义解析器读取并转换成适合输入给网络的形式[^1]。 ```python import numpy as np def convert_rotation_bbox_to_yolo_format(center_x, center_y, width, height, angle): """ 将旋转框转换为YOLO格式 参数: center_x (float): 中心点X坐标 center_y (float): 中心点Y坐标 width (float): 宽度 height (float): 高度 angle (float): 倾斜角度 返回: list: 调整后的四个顶点坐标列表 [(x1,y1), ... , (x4,y4)] """ # 创建原始矩形框四角相对于中心位置偏移量 rect = ((center_x, center_y), (width, height), angle) box = cv2.boxPoints(rect).tolist() return box ``` #### 修改损失函数和支持向量回归层 为了让 YOLO 学习到物体的方向信息，可以在原有基础上增加额外维度用于编码方向信息，并相应修改损失计算方式以适应新的输出结构。这可能涉及到对源码中的某些部分做适当改动。 #### 后处理步骤 当完成前向传播获得预测结果之后，还需要执行非极大抑制（NMS）操作去除冗余候选区域。此时需要注意的是标准 NMS 不适用于任意朝向的情况；因此建议使用定向版本如 Rotated-NMS 或者其他改进方案来进行筛选最终保留下来的高质量提议框。 ```python from ultralytics import YOLO class CustomYOLO(YOLO): def __init__(self, model_path, task='detect'): super().__init__(model_path=model_path, task=task) def postprocess(self, predictions, conf_threshold=0.5, nms_iou_threshold=0.4): """Post-processes raw prediction outputs.""" boxes = [] scores = [] classes = [] for pred in predictions: valid_preds = pred[pred[:, 4] >= conf_threshold] bboxes = valid_preds[:, :5].copy() # Extract bbox coordinates and confidence score angles = valid_preds[:, 5:] # Extract rotation angles or other attributes # Apply rotated non-max suppression here... pass return filtered_boxes, final_scores, predicted_classes ```