作者丨派派星
来源丨CVHub
编辑丨极市平台
极市导读
yolov5_obb 是基于 yolov5 目标检测框架开发的一个项目，支持旋转目标检测任务，旨在生成更好拟合具有角度位置的物体预测结果，广泛适用于机器人感知，遥感等领域。本文旨在提供一个从数据集制作、划分、安装、训练、验证、部署保姆级教程，帮助大家从0到1快速完成项目的上手和开发，满足日常工作和学习的需求。>>
导读
yolov5_obb 是基于yolov5 目标检测框架开发的一个项目，支持旋转目标检测任务（Oriented Bounding Boxes，OBB），旨在生成更好拟合具有角度位置的物体预测结果，广泛适用于机器人感知，遥感等领域。此前经过调研发现目前全网上关于此方面的资料相对较少，鱼龙混杂，不是比较老旧、乱七八糟，就是一言不合就付费查看，看个寂寞，实在是不忍直视。因此，本文旨在提供一个从数据集制作、划分、安装、训练、验证、部署保姆级教程，帮助大家从0到1快速完成项目的上手和开发，满足日常工作和学习的需求。
数据集制作工具介绍
X-AnyLabeling[1]不仅是一个标注工具，它还是自动数据标注未来的一大飞跃。它的设计不仅简化了标注过程，还集成了尖端的AI模型，融入了当前最先进的视觉大模型和多模态技术，以获得更出色的体验。X-AnyLabeling 专注于实际应用，力求提供一个工业级的、功能丰富的工具，可帮助开发人员自动标注和处理各种复杂任务的数据。
在最新的 v1.0.0 版本中，X-AnyLabeling 已经完美支持了旋转框的标注，同时提供全方位的角度显示，实操体验方面也与经典的 roLabelImg基本保持一致，极大降低用户的学习成本，且支持直接导出 DOTA 格式的标签文件，无需转换一键训练。最后，工具中还提供了 yolov5_obb预训练，并支持加载自定义模型，可极大提升数据标注效率，形成快速闭环。
工具安装
git clone https://github.com/CVHub520/X-AnyLabeling
cd X-AnyLabeling
pip install -r requirements.txt
# pip install -r requirements-gpu.txt
python anylabeling/app.py
使用教程
vehicle
boat
每一行代表一个类别，根据自己的具体任务填写。
基本用法高级用法
此外，您可以使用训练好的模型批量预标记当前数据集。
如果你手头上刚好有一批标注好的 DOTA 格式数据集，同样也可以使用标签转换脚本一键转换成 X-AnyLabeling 的自定义格式导入到工具中进一步查看和修改：
python tools/label_converter.py --task rotation --src_path dota_label_folder --img_path dota_image_folder --mode dota2custom
详细信息，请参考[2]。
入门指南准备工作
安装开始
a. 创建一个conda虚拟环境并激活它：
conda create -n yolov5_obb python=3.8 -y
source activate yolov5_obb
b. 确保您的CUDA运行时API版本≤CUDA驱动程序版本。（例如11.3 ≤ 11.4）
nvcc -V
nvidia-smi
c. 根据您的机器环境，根据官方说明安装PyTorch和torchvision，并确保cudatoolkit版本与CUDA运行时API版本相同，例如：
pip install torch==1.12.0+cu116 torchvision==0.13.0+cu116 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu116
nvcc -V
python
>>> import torch
>>> torch.version.cuda
>>> exit()
d. 克隆最新版本的YOLOv5_OBB存储库。
git clone https://github.com/CVHub520/yolov5_obb.git
cd yolov5_obb
e. 安装yolov5-obb。
pip install -r requirements.txt
cd utils/nms_rotated
python setup.py develop # 或者 "pip install -v -e ."
注意：
对于Windows用户，请参考[3]，如果在你在生成 utils/nms_rotated_ext.cpython-XX-XX-XX-XX.so方面遇到困难。
需要注意的是，笔者这里对 `poly_nms_cuda` CUDA实现重构了一遍，如果你使用的是 hukaixuan19970627 实现的版本，大概率会因版本问题编译不通过，可参考着修改下，但建议直接使用此修改后的版本，避免冲突。
如果您需要切分高分辨率图像并进行评估，建议使用以下工具：
cd yolov5_obb/DOTA_devkit
sudo apt-get install swig
swig -c++ -python polyiou.i
python setup.py build_ext --inplace
数据集划分
准备自定义数据集文件
注意：确保标签格式为[polygon classname difficulty]，例如，您可以默认将所有difficulty参数重置0，除非另有用途。
x1 y1 x2 y2 x3 y3 x4 y4 classname diffcult
1686.0 1517.0 1695.0 1511.0 1711.0 1535.0 1700.0 1541.0 large-vehicle 0
然后，如果不需要对高分辨率图像进行切分处理的话，可直接修改路径参数并运行当前工程目录下的对应[脚本] (./divide.py)。注意修改下文件里面对应的路径参数等。
否则，您可以按以下步骤操作。
cd yolov5_obb
python DOTA_devkit/ImgSplit_multi_process.py
确保您的数据集组织在如下所示的目录结构中：
.
└── dataset_demo
├── images
│ └── P0032.png
└── labelTxt
└── P0032.txt
最后，您可以创建一个自定义的数据yaml文件，参照[yolov5obb_demo.yaml] (./data/yolov5obb_demo.yaml)，同yolov5类似。
注意：
训练/验证/检测
在正式开始训练任务之前，请遵循以下建议：
确保将输入分辨率设置为32的倍数。
默认情况下，将批处理大小设置为8。如果将其增加到16或更大，请调整框丢失的缩放因子，以帮助收敛theta。
python train.py
--weights weights/yolov5n.pt
--data data/task.yaml
--hyp data/hyps/obb/hyp.finetune_dota.yaml
--epochs 300
--batch-size 1
--img 1024
--device 0
--name /path/to/save_dir
python detect.py
--weights /path/to/*.pt
--source /path/to/image
--img 1024
--device 0
--conf-thres 0.25
--iou-thres 0.2
--name /path/to/save_dir
注意：有关更多详细信息，请参考[此文档] (./docs/GetStart.md)。
部署
python export.py
--weights runs/train/task/weights/best.pt
--data data/task.yaml
--imgsz 1024
--simplify
--opset 12
--include onnx
Python
python deploy/onnxruntime/python/main.py
--model /path/to/*.onnx
--image /path/to/image
C++
cd opencv/cpp
.
└── cpp
├── CMakeLists.txt
├── build
├── image
│ ├── demo.jpg
├── main.cpp
├── model
│ └── yolov5m_obb_csl_dotav15.onnx
└── obb
├── include
└── src
注意，建议使用OpenCV版本4.6.0或更新，v4.7.0已成功测试。
Eigen是一个高性能的C++模板库，专用于线性代数运算，支持矩阵和向量操作，具有自然的C++语法、无依赖性和跨平台特性，广泛应用于科学计算、图形学和机器学习等领域。
mkdir build && cd build
cmake ..
make
对于 OpenVINO 或者 TensorRT等其它后端的部署推理，原理是一样的，只需要改下 engine 那块即可。
模型库
此外，本项目还同时提供了 *.pt 和 *.onnx 文件，方便大家下载使用，快速复现。
总结
今天为大家详细介绍了构建旋转目标检测任务的整个pipeline，如果你在做项目的过程中碰到任何问题，可直接在 github issue 反馈，如若需要进一步交流学习或者对X-AnyLabeling工程感兴趣的欢迎添加微信：ww10874，备注yolov5_obb，非诚勿扰。
References
1.X-AnyLabeling:
2.X-AnyLabeling文档: @CVHub520/x-anylabeling-pioneering-the-annotation-revolution-eed0ae788f7d
3.
公众号后台回复“数据集”获取100+深度学习各方向资源整理
极市干货
技术专栏：｜｜｜
极视角动态：｜
技术综述：｜
限 时 特 惠： 本站每日持续更新海量各大内部创业教程，一年会员只需98元，全站资源免费下载 点击查看详情
站 长 微 信： lzxmw777
