188、YOLOv8改进实战：遥感图像旋转框检测——解耦旋转检测头与角度回归损失设计

188、YOLOv8改进实战：遥感图像旋转框检测——解耦旋转检测头与角度回归损失设计

从一次失败的遥感检测项目说起

去年接了个卫星图像船舶检测的项目，甲方要求检测任意朝向的船只。我第一反应是直接用YOLOv8，心想这玩意儿在COCO上跑得飞起，换个数据集应该问题不大。结果一跑，好家伙，密集停靠的船只几乎全漏检，水平框把相邻船只框在一起，NMS一过直接干掉一半。更离谱的是，有些细长船只的预测框角度偏了30度，IOU直接掉到0.1以下。

那段时间我反复调参、换骨干、加注意力，效果始终上不去。后来才意识到，问题出在检测头的设计上——YOLOv8的检测头天生是为水平框设计的，它压根没有角度回归的概念。你让一个不会游泳的人去救溺水者，再好的泳池也没用。

旋转框检测的核心痛点

遥感图像里的目标，比如飞机、船舶、储油罐，它们的长宽比往往很大，而且朝向任意。水平框在这种场景下有两个致命问题：

第一个是框的冗余度爆炸。一个长宽比1:5的船只，水平框里超过80%的区域是背景，特征提取器被迫去学习"背景+目标"的混合特征，这直接导致分类置信度虚高但定位不准。

第二个是NMS的灾难性误杀。密集排列的船只，它们的水平框大面积重叠，NMS阈值设高了漏检，设低了误杀。我见过最夸张的情况，一个码头停了20艘船，NMS之后只剩7个框。

旋转框检测的思路很直接：给每个预测框增加一个角度参数θ，让框能旋转贴合目标。但问题在于，角度回归的难度远高于坐标回归——角度是周期性的，0度和179度在数值上