DL00402-基于YOLOv5的旋转框目标检测 dota标注数据集格式转yolov5 rotation标注格式 脚本 utils/cut2rotation.sh ，修改数据集路径和滑窗切片大小及重叠面积即可 数据集路径修改 修改data文件夹下数据集定义 anchor聚类 cd utils，修改数据集路径，然后python autoanchors.py即可 模型anchor修改 将聚类的anchor更新到模型定义中 models/yolov5s_rotation.yaml 训练 脚本 dis_train_rotation.sh，修改数据路径运行 测试及评价 脚本 infer_remote_rotation.sh，修改数据路径及模型权重，会保存测试图像结果

最近在做基于YOLOv5的旋转框目标检测相关工作，踩了不少坑，也积累了一些经验，今天就来跟大家分享一下整个流程，希望能对正在做相关研究的小伙伴有所帮助。

数据格式转换

在开始目标检测任务之前，我们首先要处理的就是数据集。这里使用的是dota标注数据集，但是YOLOv5 rotation需要特定的标注格式，所以需要进行格式转换。

脚本修改

我们有一个名为 utils/cut2rotation.sh 的脚本，这个脚本可以帮助我们完成数据的转换和切片工作。我们只需要修改数据集路径和滑窗切片大小及重叠面积就可以了。下面是一个简单的示例：

#!/bin/bash
# 修改数据集路径
DATASET_PATH="/your/dota/dataset/path"
# 滑窗切片大小
WINDOW_SIZE=800
# 重叠面积
OVERLAP=0.2

# 脚本具体执行命令（这里假设脚本内有相应逻辑）
./cut2rotation.sh $DATASET_PATH $WINDOW_SIZE $OVERLAP

代码分析：在这个脚本中，我们首先定义了数据集的路径 DATASETPATH，这个路径指向我们存放dota数据集的位置。然后定义了滑窗切片大小 WINDOWSIZE 和重叠面积 OVERLAP。最后将这些参数传递给 cut2rotation.sh 脚本进行执行。

数据集路径修改

除了脚本中的路径修改，我们还需要修改 data 文件夹下数据集的定义。一般来说，在 data 文件夹下会有一个 .yaml 文件来定义数据集的路径和类别信息。例如：

train: /your/yolov5_rotation/train/images
val: /your/yolov5_rotation/val/images

nc: 10  # 类别数量
names: ['class1', 'class2', ..., 'class10']  # 类别名称

代码分析：这里我们定义了训练集和验证集的图像路径，以及类别数量和类别名称。这样YOLOv5在训练和验证时就能找到正确的数据了。

Anchor聚类

Anchor在目标检测中起着非常重要的作用，它可以帮助模型更好地预测目标的位置和大小。我们可以通过Anchor聚类来得到适合我们数据集的Anchor。

执行聚类

首先进入 utils 文件夹，然后修改数据集路径，最后运行 autoanchors.py 脚本。下面是具体的命令：

cd utils
python autoanchors.py --data /your/data.yaml --img 640

代码分析：cd utils 命令用于进入 utils 文件夹。python autoanchors.py 是执行Anchor聚类的脚本，--data 参数指定了数据集的 .yaml 文件路径，--img 参数指定了图像的大小。

更新模型Anchor

聚类完成后，我们需要将得到的Anchor更新到模型定义中。在 models/yolov5s_rotation.yaml 文件中找到 anchors 部分，将聚类得到的Anchor替换进去。例如：

anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

代码分析：这里的 anchors 部分定义了不同特征层的Anchor大小。我们将聚类得到的Anchor替换进去后，模型就能更好地适应我们的数据集了。

训练和测试

训练

我们有一个名为 distrainrotation.sh 的脚本可以用于训练。只需要修改数据路径并运行即可。示例如下：

#!/bin/bash
DATA_PATH="/your/data.yaml"
python train.py --img 640 --batch 16 --epochs 100 --data $DATA_PATH --cfg models/yolov5s_rotation.yaml --weights yolov5s.pt

代码分析：在这个脚本中，我们首先定义了数据路径 DATA_PATH，然后使用 python train.py 命令进行训练。--img 参数指定了图像大小，--batch 参数指定了批次大小，--epochs 参数指定了训练的轮数，--data 参数指定了数据集的 .yaml 文件路径，--cfg 参数指定了模型的配置文件路径，--weights 参数指定了预训练模型的权重。

测试及评价

最后，我们可以使用 inferremoterotation.sh 脚本来进行测试和评价。修改数据路径及模型权重，脚本会保存测试图像结果。示例如下：

#!/bin/bash
DATA_PATH="/your/test/data/path"
WEIGHTS="/your/trained/weights.pt"
python detect.py --source $DATA_PATH --weights $WEIGHTS --save-txt --save-conf

代码分析：在这个脚本中，我们定义了测试数据的路径 DATA_PATH 和训练好的模型权重 WEIGHTS。python detect.py 命令用于进行检测，--source 参数指定了测试数据的路径，--weights 参数指定了模型的权重，--save-txt 参数表示保存检测结果的文本文件，--save-conf 参数表示保存检测结果的置信度。

以上就是基于YOLOv5的旋转框目标检测的整个流程，希望大家在实践中能取得好的结果！如果有任何问题，欢迎留言讨论。