yolov8-obb训练自己的数据集（标注，训练，推理，转化模型 + C#模型部署）_yolov8 obb

一、源码

直接去下载官方的yolov8源码就行，那里面集成了 obb

ultralytics/ultralytics/cfg/models/v8 at main · ultralytics/ultralytics · GitHub

网页打不开也可以下载我的

【免费】yolov8obb训练源码资源-CSDN文库

二、环境

 如果你训练过yolov5以及以上的yolo环境，可以直接拷贝一个用就行，如果没有的话  直接pip

pip install requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

可以配置cuda，跑的比较快

三、标注

标注方法有两种，一中是下载标注工具   X-Anylabeling

GitHub - CVHub520/X-AnyLabeling: Effortless data labeling with AI support from Segment Anything and other awesome models.

方法可以看我博客 

X-AnyLabeling标注软件安装及使用dota数据集，voc数据集，coco数据集。以及报错No module named‘anylabeling‘的解决_x-anylabeling-cpu 导出 dota 没数据-CSDN博客

不过上面那种标注方式我训练时总是报错 一直找不到原因，有知道的可以指教指教

另一种标注方式

用rolabelimg旋转标注软件 

GitHub - cgvict/roLabelImg: Label Rotated Rect On Images for training

      旋转标注工具roLabelImg使用教程-CSDN博客

配置完环境后 直接右键运行  roLabelImg.py文件

可以用旋转标注  标注后点击 标注的框   用  z,x,c,v  来更改 角度

生成的是xml文件

需要转换成dota能用的obb的txt文件

转换脚本

# 文件名称 ：roxml_to_dota.py# 功能描述 ：把rolabelimg标注的xml文件转换成dota能识别的xml文件，# 再转换成dota格式的txt文件# 把旋转框 cx,cy,w,h,angle，或者矩形框cx,cy,w,h,转换成四点坐标x1,y1,x2,y2,x3,y3,x4,y4import osimport xml.etree.ElementTree as ETimport mathcls_list = [\'angle\'] # 修改为自己的标签def edit_xml(xml_file, dotaxml_file): \"\"\" 修改xml文件 :param xml_file:xml文件的路径 :return: \"\"\" # dxml_file = open(xml_file,encoding=\'gbk\') # tree = ET.parse(dxml_file).getroot() tree = ET.parse(xml_file) objs = tree.findall(\'object\') for ix, obj in enumerate(objs): x0 = ET.Element(\"x0\") # 创建节点 y0 = ET.Element(\"y0\") x1 = ET.Element(\"x1\") y1 = ET.Element(\"y1\") x2 = ET.Element(\"x2\") y2 = ET.Element(\"y2\") x3 = ET.Element(\"x3\") y3 = ET.Element(\"y3\") # obj_type = obj.find(\'bndbox\') # type = obj_type.text # print(xml_file) if (obj.find(\'robndbox\') == None): obj_bnd = obj.find(\'bndbox\') obj_xmin = obj_bnd.find(\'xmin\') obj_ymin = obj_bnd.find(\'ymin\') obj_xmax = obj_bnd.find(\'xmax\') obj_ymax = obj_bnd.find(\'ymax\') # 以防有负值坐标 xmin = max(float(obj_xmin.text), 0) ymin = max(float(obj_ymin.text), 0) xmax = max(float(obj_xmax.text), 0) ymax = max(float(obj_ymax.text), 0) obj_bnd.remove(obj_xmin) # 删除节点 obj_bnd.remove(obj_ymin) obj_bnd.remove(obj_xmax) obj_bnd.remove(obj_ymax) x0.text = str(xmin) y0.text = str(ymax) x1.text = str(xmax) y1.text = str(ymax) x2.text = str(xmax) y2.text = str(ymin) x3.text = str(xmin) y3.text = str(ymin) else: obj_bnd = obj.find(\'robndbox\') obj_bnd.tag = \'bndbox\' # 修改节点名 obj_cx = obj_bnd.find(\'cx\') obj_cy = obj_bnd.find(\'cy\') obj_w = obj_bnd.find(\'w\') obj_h = obj_bnd.find(\'h\') obj_angle = obj_bnd.find(\'angle\') cx = float(obj_cx.text) cy = float(obj_cy.text) w = float(obj_w.text) h = float(obj_h.text) angle = float(obj_angle.text) obj_bnd.remove(obj_cx) # 删除节点 obj_bnd.remove(obj_cy) obj_bnd.remove(obj_w) obj_bnd.remove(obj_h) obj_bnd.remove(obj_angle) x0.text, y0.text = rotatePoint(cx, cy, cx - w / 2, cy - h / 2, -angle) x1.text, y1.text = rotatePoint(cx, cy, cx + w / 2, cy - h / 2, -angle) x2.text, y2.text = rotatePoint(cx, cy, cx + w / 2, cy + h / 2, -angle) x3.text, y3.text = rotatePoint(cx, cy, cx - w / 2, cy + h / 2, -angle) # obj.remove(obj_type) # 删除节点 obj_bnd.append(x0) # 新增节点 obj_bnd.append(y0) obj_bnd.append(x1) obj_bnd.append(y1) obj_bnd.append(x2) obj_bnd.append(y2) obj_bnd.append(x3) obj_bnd.append(y3) tree.write(dotaxml_file, method=\'xml\', encoding=\'utf-8\') # 更新xml文件# 转换成四点坐标def rotatePoint(xc, yc, xp, yp, theta): xoff = xp - xc; yoff = yp - yc; cosTheta = math.cos(theta) sinTheta = math.sin(theta) pResx = cosTheta * xoff + sinTheta * yoff pResy = - sinTheta * xoff + cosTheta * yoff return str(int(xc + pResx)), str(int(yc + pResy))def totxt(xml_path, out_path): # 想要生成的txt文件保存的路径，这里可以自己修改 files = os.listdir(xml_path) i = 0 for file in files: tree = ET.parse(xml_path + os.sep + file) root = tree.getroot() name = file.split(\'.\')[0] output = out_path + \'\\\\\' + name + \'.txt\' file = open(output, \'w\') i = i + 1 objs = tree.findall(\'object\') for obj in objs: cls = obj.find(\'name\').text box = obj.find(\'bndbox\') x0 = int(float(box.find(\'x0\').text)) y0 = int(float(box.find(\'y0\').text)) x1 = int(float(box.find(\'x1\').text)) y1 = int(float(box.find(\'y1\').text)) x2 = int(float(box.find(\'x2\').text)) y2 = int(float(box.find(\'y2\').text)) x3 = int(float(box.find(\'x3\').text)) y3 = int(float(box.find(\'y3\').text)) if x0 < 0: x0 = 0 if x1 < 0: x1 = 0 if x2 < 0: x2 = 0 if x3 < 0: x3 = 0 if y0 < 0: y0 = 0 if y1 < 0: y1 = 0 if y2 < 0: y2 = 0 if y3 < 0: y3 = 0 for cls_index, cls_name in enumerate(cls_list): if cls == cls_name:  file.write(\"{} {} {} {} {} {} {} {} {} {}\\n\".format(x0, y0, x1, y1, x2, y2, x3, y3, cls, cls_index)) file.close() # print(output) print(i)if __name__ == \'__main__\': # -----**** 第一步：把xml文件统一转换成旋转框的xml文件 ****----- roxml_path = r\'H:\\DL\\YOLOv8_OBB_main\\dataset_set\\angle\\1\' dotaxml_path = r\'H:\\DL\\YOLOv8_OBB_main\\dataset_set\\angle\\2\' out_path = r\'H:\\DL\\YOLOv8_OBB_main\\dataset_set\\angle\\4\' filelist = os.listdir(roxml_path) for file in filelist: edit_xml(os.path.join(roxml_path, file), os.path.join(dotaxml_path, file)) # -----**** 第二步：把旋转框xml文件转换成txt格式 ****----- totxt(dotaxml_path, out_path)

转换后是如下的样子

但是这还没完，还需要再次转换一下

打开你的数据集中的labels 文件夹

新建两个文档 名称如下  然后 把你上方转化后的txt 放入下方文件夹中  训练集放入train_original中   验证集放入val_original中

然后 复制你文件夹路径，不是图片路径    也不是标签  路径

用obb中自带的转换脚本进行转换 那个路径是你数据集的路径

from ultralytics.data.converter import convert_dota_to_yolo_obbconvert_dota_to_yolo_obb(r\'H:\\DL\\YOLOv8_OBB_main\\dataset_set\\angle\\00\')

然后再按照ctrl+左键定位 这个函数  convert_dota_to_yolo_obb  直接可以定位到 converter.py 文件中

拉到大约376行修改你标注的标签名和数量

还有修改大约420行左右的地方  将这里改成你图片的后缀，不然就没有效果

然后你运行上方那个自带的转换代码，标签文件中会生成train和val两个文件夹

转换成功的txt如下，这就可以训练

配置好yolov8obb的环境和yaml文件，就可以训练了

训练

可以直接写新建一个py文件，train.py

from ultralytics import YOLOmodel_yaml_path = r\"H:\\DL\\YOLOv8_OBB_main\\ultralytics\\cfg\\models\\v8\\yolov8-obb.yaml\"#数据集配置文件data_yaml_path = \'data/hat.yaml\'#预训练模型pre_model_name = \'yolov8s-obb.pt\'def main(): model = YOLO(model_yaml_path).load(pre_model_name) # build from YAML and transfer weights model.train(data=data_yaml_path, epochs=500, imgsz=640, batch=6, workers=5, name=\"train_obb/exp\")if __name__ == \'__main__\': main()# yolo obb train data=data/hat.yaml model=yolov8s-obb.pt epochs=200 imgsz=640 device=0

 detect.py 推理

from ultralytics import YOLO# Load a model# model = YOLO(\"yolov8n-obb.pt\") # load an official modelmodel = YOLO(r\"H:\\DL\\YOLOv8_OBB_main\\runs\\obb\\train_obb\\exp4\\weights\\best.pt\") # load a custom model# Predict with the modelresults = model(r\"C:\\Users\\Administrator\\Desktop\\gule\\test\", name=\"detect_obb/exp\", conf=0.45, save=True, device=\'0\' ) # predict on an image

模型转换  脚本代码

from ultralytics import YOLOmodel=YOLO(r\"H:\\DL\\YOLOv8_OBB_main\\runs\\obb\\train_obb\\exp16\\weights\\best.pt\")model.export(format=\'onnx\',device=\'0\')

四、模型部署 C#

这是一位大佬的源码修改 https://github.com/guojin-yan/YoloDeployCsharp.git

然后缺哪种包 直接在nuget中下载就好

运行后如下

当然你也可以将其中的一个或者两个取出 进行封装为dll

创建class.cs文件  定义自己所需的nms  置信度  和 类别数量以及类别名

然后生成自己的dll 并且引到你的程序中

然后运行程序就可以了

有问题可以在评论区问或者私信我！！

这是我修改后的代码你yolov8OBB旋转框检测，C#读取onnx模型进行推理资源-CSDN文库