Yolov8_OBB斜框数据集制作与训练全流程实战指南
1. 环境搭建与工具准备
第一次接触YOLOv8_OBB旋转框检测时，最头疼的就是环境配置问题。这里分享几个我踩过坑后总结的经验：建议使用Python 3.8-3.10版本，太高或太低都可能遇到依赖冲突。安装时记得先更新pip到最新版，否则可能会报错：
python -m pip install --upgrade pip pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple实测发现用清华镜像源能大幅提升下载速度。如果遇到PyTorch安装问题，建议先去官网生成对应CUDA版本的安装命令。我常用的组合是CUDA 11.7+PyTorch 2.0，这个组合在3090显卡上跑得最稳。
roLabelImg的安装有个小技巧：直接克隆GitHub仓库后，用conda创建独立环境。记得安装qt5的依赖：
conda install pyqt=5 python resources.py python roLabelImg.py2. 斜框标注实战技巧
用roLabelImg标注时，新手常犯的错误是旋转角度设置不当。建议打开"View->Auto Save"和"View->Advanced Mode"，这样能看到实时角度数值。标注船舶这类长条形目标时，按住Ctrl键可以微调角度，每按一次调整1度。
标注文件结构要提前规划好，我习惯这样组织：
myData/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── original_labels/ ├── train_xml/ └── val_xml/标注时注意三点：
- 同类目标保持相同旋转方向（比如船舶统一船头朝右）
- 相邻目标不要有太多重叠区域
- 小目标至少占20x20像素以上
3. 数据格式转换详解
原始标注XML转DOTA格式时，最容易出错的是坐标转换。我优化过的转换脚本增加了边界检查：
def check_coords(x1, y1, x2, y2, x3, y3, x4, y4, img_w, img_h): coords = [x1, y1, x2, y2, x3, y3, x4, y4] coords = [max(0, min(coord, img_w if i%2==0 else img_h)) for i, coord in enumerate(coords)] return coords转换后的DOTA格式文本每行包含8个坐标值+类别，例如：
100 200 150 200 150 250 100 250 ship 0执行dota2obb转换时要注意路径设置。我建议用绝对路径，并在脚本开头添加：
import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"4. 配置文件深度优化
yaml配置文件有三大关键点需要定制：
- 类别名必须和标注完全一致
- 训练验证集路径建议用相对路径
- 添加数据增强参数
这是我的配置文件模板：
path: ../myData train: images/train val: images/val names: 0: ship 1: vehicle 2: aircraft obb_params: angle_range: 45 # 限制旋转角度范围 hflip_prob: 0.5 # 水平翻转概率对于小数据集，建议开启mosaic增强：
augment: mosaic: 0.8 mixup: 0.25. 训练参数调优心得
训练命令中的关键参数组合直接影响效果：
yolo obb train data=my-dota8-obb.yaml model=yolov8s-obb.pt epochs=300 imgsz=640 batch=16 device=0,1 patience=50 lr0=0.01 lrf=0.01几个实用技巧：
- 初始学习率lr0设为0.01-0.1
- 早停patience建议50-100
- 小目标多的场景用imgsz=800
- 显存不足时调低batch并启用梯度累积：
batch=4 accumulate=46. 模型验证与部署
验证时要注意测试集不能参与训练。推荐用TTA(Test Time Augmentation)提升精度：
yolo obb val model=best-obb.pt data=my-dota8-obb.yaml split=test imgsz=640 augment=True导出ONNX时记得指定动态维度：
yolo export model=best-obb.pt format=onnx dynamic=True simplify=True opset=13在TensorRT部署时，我习惯先做量化：
trtexec --onnx=model.onnx --fp16 --saveEngine=model.engine7. 常见问题解决方案
- 标注文件不匹配：检查XML和图片文件名是否完全一致（包括大小写）
- 训练出现NaN：降低学习率或增大batch size
- 验证mAP低：检查标注质量，特别是小目标
- 显存不足：减小imgsz或使用--adam优化器
最近在航拍图像项目中发现，对高度倾斜的目标（>60度），可以适当增大angle_range到60度。另外建议每训练50个epoch就做一次验证，保存多个中间模型备选。