【目标检测】旋转目标检测DOTA格式转YOLO格式标注

ericdiii

已于 2024-03-06 10:36:36 修改

阅读量1.2k

点赞数 9

文章标签：目标检测 YOLO 人工智能

于 2024-03-06 10:34:55 首次发布

本文链接：https://blog.youkuaiyun.com/ericdiii/article/details/136498665

版权

本文详细说明了如何使用`convert_dota_to_yolo_obb`函数将DOTA数据集转换为YOLOObb格式，包括必要的文件结构调整和标注转换过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

准备DOTA格式数据集：
dota_dataset

-- images

|----- train

|----- val

-- labels

|----- train

|----- train_original

|----- val

|----- val_original

修改class_mapping和图片格式：

ultralytics/data/converter.py
convert_dota_to_yolo_obb()

转换标注：

from ultralytics.data.converter import convert_dota_to_yolo_obb
convert_dota_to_yolo_obb('path\to\dota_dataset')

参考：[1]

关注博主即可阅读全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

ericdiii

关注关注

9
点赞
踩
14

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

YOLO11模型推理 | 目标检测与跟踪 | 实例分割 | 关键点估计 | OBB旋转目标检测

黎国溥

10-09

9468

本文分享YOLO11的模型推理，检测任务包括物体分类、目标检测与跟踪、实例分割、关键点估计、旋转目标检测等。

RoLabelImg下载及旋转目标检测数据标注

ice

06-09

804

本文主要介绍了旋转目标检测工具RoLabelImg的下载和使用，旋转目标检测标签的标注和转换，附极简单的标签转换代码，只需要更改两个变量名即可完成转换。

参与评论您还未登录，请先登录后发表或查看评论

YOLOv8_obb——旋转目标检测无敌大还丹（DOTA数据集）

m0_57949473的博客

02-29

6210

将DOTA格式标签转为yolo格式

weixin_62460336的博客

04-12

937

（本段代码是在DIOR-R格式转DOTA格式的基础上，再转为yolo中obb读取的格式）class_mapping为DIOR-R数据集的类别。将dota格式标签转为yolo格式。只读取labels下的标签文件。

YOLOv11——从零开始制作OBB数据集

最新发布

2301_80344847的博客

02-16

2436

本文介绍了从零开始制作YOLOv11-OBB数据集的完整流程。首先，安装roLabelImg进行数据标注，生成原始XML文件，并将其转换为DOTA格式的TXT标签文件。接着，划分数据集并将DOTA格式转换为YOLOv11-OBB所需的格式。随后，配置数据集的yaml文件和yolov11-obb.yaml文件，完成模型设置。最后，进行模型训练和预测。整个过程涵盖了数据标注、格式转换、模型配置及训练预测，为YOLOv11-OBB模型的实现提供了详细指导。

dota数据集转换为YOLO格式的方法

sjjg129的博客

08-13

5560

【代码】dota数据集转换为YOLO格式的方法。

深度学习|dota格式的txt文件转化为yolo格式的txt文件

weixin_44769034的博客

10-29

5070

最近打比赛用到的SAR舰船目标检测集，赛方给出的是dota格式的标签文件，如图：上图中前8个数据代表真实框四个点的坐标（以左上角坐标顺时针旋转），ship是DOTA数据集的分类，最后的0表示识别难易程度是简单，为1表示难。要用yolo检测必须先把dota标签文件转化为yolo标签文件。转化代码如下，这里使用的是参考程序中的YOLO_Transform.py这个脚本，同时需注意，需要在dota_utils.py中修改类别名称wordname_18。

基于DOTA数据集的yolo训练+预训练的参数+源代码+文档说明

12-27

1、资源内容：基于DOTA数据集的yolo训练+预训练的参数+源代码+文档说明 2、代码特点：内含运行结果，不会运行可私信，参数化编程、参数可方便更改、代码编程思路清晰、注释明细，都经过测试运行成功，功能ok的情况下才上传的。 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 4、作者介绍：某大厂资深算法工程师，从事Matlab、Python、C/C++、Java、YOLO算法仿真工作10年；擅长计算机视觉、 目标检测模型、智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、智能控制、路径规划、无人机等多种领域的算法仿真实验，更多源码，请上博主主页搜索。 -------------------------------------------------------------------------- -

解决yolov8-obb的convert_dota_to_yolo_obb函数只支持png格式的图像

qq_29220369的博客

04-26

583

from ultralytics.data.converter import convert_dota_to_yolo_obb转为yolo格式时，标签文件只有一部分转成功。检查代码发现的问题。问题缘由：在训练自己数据集的yolov8-obb时发现将DOTA格式的标签文件用。修改代码增加其他图像类型的后缀。

HRSC数据集解读，DOTA数据集转YOLO旋转框格式，HRSC数据集转YOLO旋转框格式

weixin_52450371的博客

01-22

4593

HRSC数据集解读，DOTA数据集转YOLO旋转框格式，HRSC数据集转YOLO旋转框格式

旋转目标检测标签转换为yolov5格式

11-13

旋转目标检测标签转换，支持以下数据格式转换为yolov5 txt 模式： dota 数据格式转换， itc_vd数据格式转换 uavrod_xml 数据格式转换 ucas数据格式转换训练代码： https://github.com/BossZard/rotation-yolov5

YOLO格式的DOTA数据集

01-28

1.采用长边表示法 2.包含切割后的原始数据集和标签 gap=200 subsize=1024 3.包含yolo格式标签对应的可视化示例 4.自动删除了没有目标的图像

YOLOv5_DOTA_OBB:带有CSL_label的DOTA中的YOLOv5。（定向对象检测）（旋转检测）（旋转BBox）

03-21

YOLOv5_DOTA_OBB 带有CSL_label的DOTA_OBB数据集中的YOLOv5。（定向对象检测）数据集和预先训练的检查点 Datasets ： Pretrained Checkpoint or Demo Files ：。（6666）。（6666）。（6666）。（6666）。（6666）。（6666）功能性 train.py 。火车。 detect.py检测并可视化检测结果。获取检测结果txt。 evaluation.py 。合并检测结果并将其可视化。最后评估探测器安装 1.安装了所有requirements.txt依赖项的Python 3.8或更高版本，包括torch> = 1.7。要安装运行： $ pip install -r requirements.txt 2.安装swig $ cd \.....\yol

YOLOv5_DOTA_OBB-旋转体识别.zip

08-16

适用于旋转体的识别，具体需求还可以再改，下载后帮忙配置环境等，手把手教学。

YOLOv5_DOTA_OBB-master-Windows运行环境配置.pdf

10-13

YOLOv5_DOTA_OBB-master在Window下运行的环境配置，包括CUDA安装，debug调试

处理DOTA数据集所需的全部代码（DOTA的YOLO格式）

10-15

DOTA（Dense Object Detection in Aerial Images）数据集是专门为高空图像中的密集目标检测任务设计的，它提供了大量的航空影像数据以及详细的标注信息。处理DOTA数据集的代码包可以视为一种资源，使得研究者和...

目标检测YOLO实战应用案例100讲-基于YOLOv5的航拍图像旋转目标检测

qq_36130719的博客

10-22

728

无人机具有成本低、操作简单、体积小等优点，因此催生了多元化的应用场景，例如利用无人机对人类无法进入的区域（火山口、海洋环境等）进行定期监测；利用无人机对建筑工地、交通道路等高危场所进行有效的管理和监督；此外无人机还可被用于地形调查，在国防安全和军事侦测等方面也有着极其重要的作用。在这种广泛的应用基础上，无人机与智能化技术的结合也越来越紧密，例如无人机可联动地面系统自动对建筑工地、交通道路的违规行为进行预警；在军事活动中实现自主探测、追踪等等，因此相关技术的研究工作具有广泛的应用需求和市场前景。

DOTA数据集的处理（图片切割，转换为YOLO格式全流程）

wbk1669177085的博客

10-14

3141

GSD（Ground Sample Distance）表示地面采样距离，即图像中每个像素所代表的实际地面面积的大小。这里的0.146343590398米/像素意味着图像中的一个像素对应地面上大约0.146米的距离。：前八个数代表从目标框左上角开始的(x,y）坐标，沿顺时针方向的四点坐标，目的：将DOTA数据集处理为YOLO模型可以进行训练的形式。为类别，后面紧跟的一个数字代表检测的难易程度。：这表示图像的来源是Google Earth。就此完成处理的全部流程！

DOTA转YOLO

weixin_49044667的博客

09-26

1805

DOTA 标签转为YOLO

使用yolov8obb训练自己数据集

01-01

### 使用 YOLOv8 OBB 训练自定义数据集 #### 数据准备为了使用YOLOv8 OBB训练自定义数据集，首先需要准备好合适的数据格式。通常情况下，原始数据可能不是YOLO所需的格式，因此需要进行转换。对于特定于旋转框（Oriented Bounding Box, OBB）的任务，存在专门的工具用于将其他格式的数据转化为YOLOv8可接受的形式。例如，如果拥有DOTA数据集或其他类似的遥感图像数据集，则可以通过`convert_dota_to_yolo_obb()`函数来完成这一过程[^4]： ```python from ultralytics.data.converter import convert_dota_to_yolo_obb convert_dota_to_yolo_obb('path/to/your/dataset') ``` 此命令会读取指定目录下的标注文件并将其转写成适用于YOLOv8 OBB模型训练的新版本。 #### 加载预训练模型接下来，在开始训练之前要加载一个合适的预训练权重作为起点。官方提供了多种不同大小的基础网络供选择，比如`yolov8n-obb.pt`, `yolov8s-obb.pt`等。可以从官方网站获取这些预训练好的模型权重文件[^2]。一旦下载完毕，就可以通过如下方式加载模型实例: ```python from ultralytics import YOLO model = YOLO("path/to/pretrained/model/yolov8x-obb.pt") ``` 这里假设已经选择了较大的`yolov8x-obb.pt`作为基础架构来进行更复杂的场景分析。 #### 开始训练有了上述准备工作之后，现在可以启动实际的训练流程了。这一步骤涉及到配置参数设置以及调用相应的API接口执行训练操作。下面是一条完整的命令行指令用来发起一轮为期100轮次的学习迭代，并指定了输入图片尺寸为640×640像素: ```bash yolo obb train data=dota.yaml model=yolov8x-obb.pt epochs=100 imgsz=640 ``` 其中`data=dota.yaml`表示采用的是名为dota.yaml的数据描述文档；而`imgsz=640`则限定了每张送入网络中的样本图像是正方形且边长等于640个单位长度。 #### 测试与评估当训练完成后，自然希望能够看到新学到的知识能否被有效应用于新的未知案例上。为此，可以利用已保存的最佳性能模型对一批未曾见过的照片实施预测作业。以下是具体做法之一[^3]: ```python results = model('path/to/test/images', save=True) ``` 这段代码片段将会遍历给定路径下所有的测试图片，并尝试识别出里面存在的物体类别及其位置信息，同时还将可视化后的结果存储下来以便后续审查。