YOLO11旋转目标识别（OBB）手把手教程: 如何训练自己的数据集（QR码为案列）

YOLO11 OBB实现自有数据集缺陷旋转目标检测,从1）数据标记；2）数据json格式转换成适合yolo的txt格式；3）如何训练模型；

AI小怪兽

2510人浏览 · 2024-11-06 08:59:56

AI小怪兽 · 2024-11-06 08:59:56 发布

💡💡💡本文内容：YOLO11 OBB实现自有数据集缺陷旋转目标检测,从1）数据标记；2）数据json格式转换成适合yolo的txt格式；3）如何训练模型；

《YOLOv11魔术师专栏》将从以下各个方向进行创新：

YOLO11魔术师

【原创自研模块】【多组合点优化】【注意力机制】【卷积魔改】【block&多尺度融合结合】【损失&IOU优化】【上下采样优化 】【小目标性能提升】【前沿论文分享】【训练实战篇】

【pose关键点检测】【yolo11-seg分割】

定期向订阅者提供源码工程，配合博客使用。

订阅者可以申请发票，便于报销

💡💡💡为本专栏订阅者提供创新点改进代码，改进网络结构图，方便paper写作！！！

💡💡💡适用场景：红外、小目标检测、工业缺陷检测、医学影像、遥感目标检测、低对比度场景

💡💡💡适用任务：所有改进点适用【检测】、【分割】、【pose】、【分类】等

💡💡💡全网独家首发创新，【自研多个自研模块】，【多创新点组合适合paper 】！！！

☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️

包含注意力机制魔改、卷积魔改、检测头创新、损失&IOU优化、block优化&多层特征融合、轻量级网络设计、24年最新顶会改进思路、原创自研paper级创新等

🚀🚀🚀 本项目持续更新 | 更新完结保底≥80+ ，冲刺100+ 🚀🚀🚀

🍉🍉🍉 联系WX: AI_CV_0624 欢迎交流！🍉🍉🍉

⭐⭐⭐专栏涨价趋势 159 ->199->259->299，越早订阅越划算⭐⭐⭐

💡💡💡 2024年计算机视觉顶会创新点适用于Yolov5、Yolov7、Yolov8、Yolov9等各个Yolo系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络！！！

💡💡💡重点：通过本专栏的阅读，后续你也可以设计魔改网络，在网络不同位置（Backbone、head、detect、loss等）进行魔改，实现创新！！！

☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️

1.YOLO11介绍

Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。

OBB官方在 (DOTAv1)数据集上做了更多测试：

2. OBB旋转目标介绍

YOLO OBB格式通过四个角点指定边界框，坐标在0到1之间归一化。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，xywhr格式表示边界框的中心点(xy)、宽度、高度和旋转。

2.1 labelme下载

# 安装labelme
pip install labelme

2.2使用labelme下

直接在python环境下运行

labelme

2.3 labelme介绍

1)Create Polygons生成polygon框；

3.QR码旋转数据集介绍

训练集、验证集、测试集分别为：1894，100，101张

3.1 obb生成适合yolo格式的txt

obb_json_to_txt

YOLO11旋转目标识别（OBB）手把手教程: 数据集标注 | 数据格式转换 | 如何训练、测试-CSDN博客

4.OBB旋转目标训练

4.1 qrcode-obb.yaml

path: D:/ultralytics-11/data/qrcode-obb/ 
train: train/images
val: valid/images
test: test/images

names: 
  0: qr_code

4.2 如何训练

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/11/yolo11-obb.yaml')
    #model.load('yolov11.pt') # loading pretrain weights
    model.train(data='data/qrcode-obb.yaml',
                cache=False,
                imgsz=640,
                epochs=200,
                batch=16,
                close_mosaic=10,
                device='0',
                optimizer='SGD', # using SGD
                project='runs/train',
                name='exp',
                )

4.3训练结果可视化

YOLO11-obb summary (fused): 300 layers, 2,897,630 parameters, 0 gradients, 6.6 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 7/7 [00:04<00:00,  1.53it/s]
                   all         99        128      0.953      0.955      0.966      0.908