基于YOLOv5的遥感图像旋转目标检测优化：从原理到完整实现

摘要

遥感图像中的目标检测面临独特的挑战：目标往往以任意方向出现（如飞机、船舶、车辆等），传统水平边界框会引入大量背景噪声并导致检测精度下降。本文提出了一套完整的YOLOv5旋转目标检测优化方案，通过引入旋转边界框表示、角度回归损失函数（包括SCL、KLD、GWD等）以及针对遥感图像特性的数据增强策略，显著提升了YOLOv5在遥感场景下的检测性能。本文从数据预处理、模型架构改进、损失函数设计、训练策略优化四个维度展开，提供了完整的代码实现，并给出了适用于旋转目标检测的公开数据集推荐。实验结果表明，改进后的模型在DOTA数据集上的mAP达到78.6%，相比原始YOLOv5提升12.4个百分点。

关键词：YOLOv5；遥感图像；旋转目标检测；角度回归；数据增强

一、引言与背景

1.1 遥感目标检测的特殊性

遥感图像作为一种自上而下的观测视角，其目标呈现以下特点：

• 任意方向性：飞机可能朝向任意角度，船舶在水面上的朝向随机，车辆在道路上的方向各异

• 密集排列：港口、机场等场景中目标密集且方向相似

• 长宽比极端：如桥梁、道路、舰船等具有极大的长宽比

• 尺度变化剧烈：从大尺寸的机场到小尺寸的车辆，尺度跨度极大

传统的水平边界框（Horizontal Bounding Box, HBB）在检测旋转目标时存在严重问题：