我看到YOLO V8中（ultralytics版本8.2.18）集成了YOLO V9，所以直接在YOLO V8 OBB的基础上实现YOLO V9 OBB，训练结果也出来了，但是评估指标比YOLO V8 OBB低一点点。之前不知道是因为什么原因，现在原因查明了，是因为训练的v9 OBB只有主分支，没有辅助分支，所以精度较低。还有另一个原因可能是没有预训练权重，如果先在DOTA数据集上进行预训练，再使用预训练权重训练v9 OBB，精度可能还可以再提一点。

训练

YOLO V8 OBB（精度较低是因为数据集只有132张，增加之后mAP50-95可达0.97）

使用YOLO V8X

YOLO V9 OBB（精度较低是因为数据集只有132张，增加之后mAP50-95可达0.948）

使用YOLO V9E

        可以看到V8 OBB比V9 OBB好一些，原因在开头已经说了

推理

YOLO V8 OBB

YOLO V9 OBB

       可以看到V8和V9在检测某些大棚时无法用检测框框住整个大棚，大棚有一部分没有在检测框里面，这可以通过增加数据集来解决。我在增肌数据集之后可以明显缓解这个问题，但是也还是会有这种情况。

        我们是将一张超大的TIF无人机或者卫星影像按照某种算法进行切割（有一定的重叠，命名也有规则），将切割完的图片送进模型进行推理，在推理的过程中我们可以获取每张图像推理完得到的检测框信息，可以将这个信息写入shapefile文件中，这样基本上每个大棚都会有两个或者三个检测框，这些重叠的检测框可以覆盖完整个大棚。最后面将重叠的检测框按照一定规则旋转（让重叠检测框边框平行）和扩充，这样就可以得到一个完整的检测框（下面给出的图还没有做这样的工作）。将shapefile文件叠加在原始TIF影像上即可得到整幅影像的农业大棚提取图，如下：

小白一通乱改的，难免有错误或者遗漏的地方，欢迎交流指正