一、源码
直接去下载官方的yolov8源码就行，那里面集成了 obb
ultralytics/ultralytics/cfg/models/v8 at main · ultralytics/ultralytics · GitHub
二、环境
如果你训练过yolov5以及以上的yolo环境，可以直接拷贝一个用就行，如果没有的话 直接pip
pip install requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple可以配置cuda，跑的比较快
三、标注
标注方法有两种，一中是下载标注工具 X-Anylabeling
GitHub - CVHub520/X-AnyLabeling: Effortless data labeling with AI support from Segment Anything and other awesome models.
方法可以看我博客
X-AnyLabeling标注软件安装及使用dota数据集，voc数据集，coco数据集。以及报错No module named‘anylabeling‘的解决_x-anylabeling-cpu 导出 dota 没数据-CSDN博客
不过上面那种标注方式我训练时总是报错 一直找不到原因，有知道的可以指教指教
另一种标注方式
用rolabelimg旋转标注软件
GitHub - cgvict/roLabelImg: Label Rotated Rect On Images for training
旋转标注工具roLabelImg使用教程-CSDN博客
配置完环境后 直接右键运行 roLabelImg.py文件
可以用旋转标注 标注后点击 标注的框 用 z,x,c,v 来更改 角度
生成的是xml文件
需要转换成dota能用的obb的txt文件
转换脚本
# 文件名称 ：roxml_to_dota.py# 功能描述 ：把rolabelimg标注的xml文件转换成dota能识别的xml文件，# 再转换成dota格式的txt文件# 把旋转框 cx,cy,w,h,angle，或者矩形框cx,cy,w,h,转换成四点坐标x1,y1,x2,y2,x3,y3,x4,y4import osimport xml.etree.ElementTree as ETimport mathcls_list = ['angle'] # 修改为自己的标签def edit_xml(xml_file, dotaxml_file): """ 修改xml文件 :param xml_file:xml文件的路径 :return: """ # dxml_file = open(xml_file,encoding='gbk') # tree = ET.parse(dxml_file).getroot() tree = ET.parse(xml_file) objs = tree.findall('object') for ix, obj in enumerate(objs): x0 = ET.Element("x0") # 创建节点 y0 = ET.Element("y0") x1 = ET.Element("x1") y1 = ET.Element("y1") x2 = ET.Element("x2") y2 = ET.Element("y2") x3 = ET.Element("x3") y3 = ET.Element("y3") # obj_type = obj.find('bndbox') # type = obj_type.text # print(xml_file) if (obj.find('robndbox') == None): obj_bnd = obj.find('bndbox') obj_xmin = obj_bnd.find('xmin') obj_ymin = obj_bnd.find('ymin') obj_xmax = obj_bnd.find('xmax') obj_ymax = obj_bnd.find('ymax') # 以防有负值坐标 xmin = max(float(obj_xmin.text), 0) ymin = max(float(obj_ymin.text), 0) xmax = max(float(obj_xmax.text), 0) ymax = max(float(obj_ymax.text), 0) obj_bnd.remove(obj_xmin) # 删除节点 obj_bnd.remove(obj_ymin) obj_bnd.remove(obj_xmax) obj_bnd.remove(obj_ymax) x0.text = str(xmin) y0.text = str(ymax) x1.text = str(xmax) y1.text = str(ymax) x2.text = str(xmax) y2.text = str(ymin) x3.text = str(xmin) y3.text = str(ymin) else: obj_bnd = obj.find('robndbox') obj_bnd.tag = 'bndbox' # 修改节点名 obj_cx = obj_bnd.find('cx') obj_cy = obj_bnd.find('cy') obj_w = obj_bnd.find('w') obj_h = obj_bnd.find('h') obj_angle = obj_bnd.find('angle') cx = float(obj_cx.text) cy = float(obj_cy.text) w = float(obj_w.text) h = float(obj_h.text) angle = float(obj_angle.text) obj_bnd.remove(obj_cx) # 删除节点 obj_bnd.remove(obj_cy) obj_bnd.remove(obj_w) obj_bnd.remove(obj_h) obj_bnd.remove(obj_angle) x0.text, y0.text = rotatePoint(cx, cy, cx - w / 2, cy - h / 2, -angle) x1.text, y1.text = rotatePoint(cx, cy, cx + w / 2, cy - h / 2, -angle) x2.text, y2.text = rotatePoint(cx, cy, cx + w / 2, cy + h / 2, -angle) x3.text, y3.text = rotatePoint(cx, cy, cx - w / 2, cy + h / 2, -angle) # obj.remove(obj_type) # 删除节点 obj_bnd.append(x0) # 新增节点 obj_bnd.append(y0) obj_bnd.append(x1) obj_bnd.append(y1) obj_bnd.append(x2) obj_bnd.append(y2) obj_bnd.append(x3) obj_bnd.append(y3) tree.write(dotaxml_file, method='xml', encoding='utf-8') # 更新xml文件# 转换成四点坐标def rotatePoint(xc, yc, xp, yp, theta): xoff = xp - xc; yoff = yp - yc; cosTheta = math.cos(theta) sinTheta = math.sin(theta) pResx = cosTheta * xoff + sinTheta * yoff pResy = - sinTheta * xoff + cosTheta * yoff return str(int(xc + pResx)), str(int(yc + pResy))def totxt(xml_path, out_path): # 想要生成的txt文件保存的路径，这里可以自己修改 files = os.listdir(xml_path) i = 0 for file in files: tree = ET.parse(xml_path + os.sep + file) root = tree.getroot() name = file.split('.')[0] output = out_path + '\\' + name + '.txt' file = open(output, 'w') i = i + 1 objs = tree.findall('object') for obj in objs: cls = obj.find('name').text box = obj.find('bndbox') x0 = int(float(box.find('x0').text)) y0 = int(float(box.find('y0').text)) x1 = int(float(box.find('x1').text)) y1 = int(float(box.find('y1').text)) x2 = int(float(box.find('x2').text)) y2 = int(float(box.find('y2').text)) x3 = int(float(box.find('x3').text)) y3 = int(float(box.find('y3').text)) if x0 < 0: x0 = 0 if x1 < 0: x1 = 0 if x2 < 0: x2 = 0 if x3 < 0: x3 = 0 if y0 < 0: y0 = 0 if y1 < 0: y1 = 0 if y2 < 0: y2 = 0 if y3 < 0: y3 = 0 for cls_index, cls_name in enumerate(cls_list): if cls == cls_name: file.write("{} {} {} {} {} {} {} {} {} {}\n".format(x0, y0, x1, y1, x2, y2, x3, y3, cls, cls_index)) file.close() # print(output) print(i)if __name__ == '__main__': # -----**** 第一步：把xml文件统一转换成旋转框的xml文件 ****----- roxml_path = r'H:\DL\YOLOv8_OBB_main\dataset_set\angle\1' dotaxml_path = r'H:\DL\YOLOv8_OBB_main\dataset_set\angle\2' out_path = r'H:\DL\YOLOv8_OBB_main\dataset_set\angle\4' filelist = os.listdir(roxml_path) for file in filelist: edit_xml(os.path.join(roxml_path, file), os.path.join(dotaxml_path, file)) # -----**** 第二步：把旋转框xml文件转换成txt格式 ****----- totxt(dotaxml_path, out_path)转换后是如下的样子
但是这还没完，还需要再次转换一下
打开你的数据集中的labels 文件夹
新建两个文档 名称如下 然后 把你上方转化后的txt 放入下方文件夹中 训练集放入train_original中 验证集放入val_original中
然后 复制你文件夹路径，不是图片路径 也不是标签 路径
用obb中自带的转换脚本进行转换 那个路径是你数据集的路径
from ultralytics.data.converter import convert_dota_to_yolo_obbconvert_dota_to_yolo_obb(r'H:\DL\YOLOv8_OBB_main\dataset_set\angle\00')然后再按照ctrl+左键定位 这个函数 convert_dota_to_yolo_obb 直接可以定位到 converter.py 文件中
拉到大约376行修改你标注的标签名和数量
还有修改大约420行左右的地方 将这里改成你图片的后缀，不然就没有效果
然后你运行上方那个自带的转换代码，标签文件中会生成train和val两个文件夹
转换成功的txt如下，这就可以训练
配置好yolov8obb的环境和yaml文件，就可以训练了
训练
可以直接写新建一个py文件，train.py
from ultralytics import YOLOmodel_yaml_path = r"H:\DL\YOLOv8_OBB_main\ultralytics\cfg\models\v8\yolov8-obb.yaml"#数据集配置文件data_yaml_path = 'data/hat.yaml'#预训练模型pre_model_name = 'yolov8s-obb.pt'def main(): model = YOLO(model_yaml_path).load(pre_model_name) # build from YAML and transfer weights model.train(data=data_yaml_path, epochs=500, imgsz=640, batch=6, workers=5, name="train_obb/exp")if __name__ == '__main__': main()# yolo obb train data=data/hat.yaml model=yolov8s-obb.pt epochs=200 imgsz=640 device=0detect.py 推理
from ultralytics import YOLO# Load a model# model = YOLO("yolov8n-obb.pt") # load an official modelmodel = YOLO(r"H:\DL\YOLOv8_OBB_main\runs\obb\train_obb\exp4\weights\best.pt") # load a custom model# Predict with the modelresults = model(r"C:\Users\Administrator\Desktop\gule\test", name="detect_obb/exp", conf=0.45, save=True, device='0' ) # predict on an image模型转换 脚本代码
from ultralytics import YOLOmodel=YOLO(r"H:\DL\YOLOv8_OBB_main\runs\obb\train_obb\exp16\weights\best.pt")model.export(format='onnx',device='0')四、模型部署 C#
依旧是大佬的源码修改 https://github.com/guojin-yan/YoloDeployCsharp.git
然后缺哪种包 直接在nuget中下载就好
运行后如下
当然你也可以将其中的一个或者两个取出 进行封装为dll
创建class.cs文件 定义自己所需的nms 置信度 和 类别数量以及类别名
然后生成自己的dll 并且引到你的程序中
然后运行程序就可以了
有问题可以在评论区问或者私信我！！