企业官网建设流程全解析

一. OBB说明

OBB 全称Oriented Bounding Box（定向旋转边界框），在传统水平框(x,y,w,h)基础上增加旋转角度 θ，用 5 个参数精准贴合任意倾斜角度的目标，避免水平框框入大量背景、密集目标 IoU 失真漏检的问题。

方式 1：OpenCV 定义（最常用，DOTA、YOLOv8/11 OBB 默认）

• 角度范围：θ ∈ [-90°, 0°]
• 规则：以矩形最短底边为基准，从 X 轴水平方向顺时针旋转到该底边的角度；w、h 不强制区分长边短边，可互换。

方式 2：长边定义法（YOLO 系列主流）

• 规则：固定w 为矩形长边、h 为短边，θ 是长边与 X 轴正方向逆时针夹角，彻底避免角度周期性歧义。

二. yolo obb数据标签定义

由于一个 OBB 及其 180° 旋转是相同的，因此旋转定义为模 180°，且该框没有方向性。在内部，角度以弧度存储并归一化为 [-π/4, 3π/4) ([-45°, 135°))，边框宽度 w 被视为较长的一边，角度定义为从正 x 轴到 w 方向的顺时针角度。[0°, 90°) 形式是正则化的 DOTA 风格惯例，在训练或推理过程中并不适用。

• YOLO OBB 格式通过其四个角点的坐标来指定边框，这些坐标按照此结构在 0 到 1 之间进行归一化
  class_index x1 y1 x2 y2 x3 y3 x4 y4
• 在内部，YOLO 以 xywhr 格式处理损失和输出，该格式表示 边界框 的中心点 (xy)、宽度、高度和旋转角度

三. yolo obb检测结果输出

旋转边框检测为每张图像返回一个 Results 对象。主要的预测字段是 result.obb，其中包含每个检测到物体的旋转边框、类别 ID 和置信度分数。

四. anylabeling中的多边形标签转换yolo obb标签方法

(一) 通过x-anylabeling进行转换

1. 将多边形标签转换为有向边界框
   
2. 将有向边界框转为yolo obb标签
   

(二) 通过脚本文件进行转换

importosimportjsonimportrandomimportshutilfrompathlibimportPathfromPILimportImagedefget_image_size(img_path):"""获取图片宽高"""withImage.open(img_path)asimg:returnimg.width,img.heightdefanylabeling_json_to_obb_txt(json_path,img_w,img_h,save_txt_path):""" AnyLabeling JSON 转 YOLO OBB 标签txt OBB格式：class_id x1 y1 x2 y2 x3 y3 x4 y4 （全部归一化0~1） """withopen(json_path,"r",encoding="utf-8")asf:data=json.load(f)lines=[]forshapeindata.get("shapes",[]):label=shape.get("label")iflabelnotinCLASS_MAP:print(f"警告：未定义类别{label}，跳过该目标")continuecls_id=CLASS_MAP[label]points=shape.get("points")iflen(points)!=4:print(f"警告：非4点旋转框，跳过{json_path}中的该标注")continue# 4个点归一化norm_points=[]forx,yinpoints:nx=x/img_w ny=y/img_h norm_points.append(f"{nx:.6f}{ny:.6f}")line=f"{cls_id}{' '.join(norm_points)}"lines.append(line)# 写入标签文件withopen(save_txt_path,"w",encoding="utf-8")asf:f.write("\n".join(lines))definit_folder():"""初始化输出文件夹结构"""img_dir=Path(OUTPUT_DIR)/"images"label_dir=Path(OUTPUT_DIR)/"labels"forsplitin["train","val","test"]:(img_dir/split).mkdir(parents=True,exist_ok=True)(label_dir/split).mkdir(parents=True,exist_ok=True)defgenerate_yaml():"""生成YOLO数据集yaml配置文件"""yaml_path=Path(OUTPUT_DIR)/"dataset.yaml"class_names=[kfork,vinsorted(CLASS_MAP.items(),key=lambdax:x[1])]yaml_content=f"""path:{os.path.abspath(OUTPUT_DIR)}train: images/train val: images/val test: images/test names:{chr(10).join([f"{i}:{name}"fori,nameinenumerate(class_names)])}"""withopen(yaml_path,"w",encoding="utf-8")asf:f.write(yaml_content)print(f"✅ 数据集配置文件已生成：{yaml_path}")defcollect_all_samples():"""递归遍历指定子文件夹，收集(图片,json)配对样本"""samples=[]root_path=Path(ROOT_DIR)# 如果指定了目标子文件夹，只遍历这些文件夹ifTARGET_SUB_FOLDERS:forsub_nameinTARGET_SUB_FOLDERS:sub_dir=root_path/sub_nameifnotsub_dir.exists():print(f"⚠️ 子文件夹{sub_name}不存在，跳过")continue# 在当前子文件夹下递归查找所有jsonforjson_fileinsub_dir.rglob("*.json"):img_path=NoneforsuffixinIMG_SUFFIX:temp_img=json_file.with_suffix(suffix)iftemp_img.exists():img_path=temp_imgbreakifimg_pathisNone:print(f"⚠️ 未找到{json_file.name}对应的图片，跳过")continuesamples.append((img_path,json_file))else:# 未指定子文件夹，遍历根目录下所有子文件夹forjson_fileinroot_path.rglob("*.json"):img_path=NoneforsuffixinIMG_SUFFIX:temp_img=json_file.with_suffix(suffix)iftemp_img.exists():img_path=temp_imgbreakifimg_pathisNone:print(f"⚠️ 未找到{json_file.name}对应的图片，跳过")continuesamples.append((img_path,json_file))print(f"📦 总共收集到有效样本数量：{len(samples)}")returnsamplesdefsplit_dataset(samples):"""按8:1:1随机划分数据集"""random.shuffle(samples)total=len(samples)train_num=int(total*TRAIN_RATIO)val_num=int(total*VAL_RATIO)train_samples=samples[:train_num]val_samples=samples[train_num:train_num+val_num]test_samples=samples[train_num+val_num:]print(f"📊 划分结果：")print(f"训练集：{len(train_samples)}张")print(f"验证集：{len(val_samples)}张")print(f"测试集：{len(test_samples)}张")return{"train":train_samples,"val":val_samples,"test":test_samples}defcopy_and_convert(split_name,sample_list):"""复制图片+转换json到obb标签并保存到对应数据集文件夹"""img_out_base=Path(OUTPUT_DIR)/"images"/split_name label_out_base=Path(OUTPUT_DIR)/"labels"/split_nameforimg_path,json_pathinsample_list:img_w,img_h=get_image_size(img_path)stem=img_path.stem# 复制图片dst_img=img_out_base/img_path.name shutil.copy2(img_path,dst_img)# 转换并保存obb标签dst_label=label_out_base/f"{stem}.txt"anylabeling_json_to_obb_txt(json_path,img_w,img_h,dst_label)defmain():random.seed(RANDOM_SEED)ifnotPath(ROOT_DIR).exists():print(f"❌ 错误：根文件夹不存在{ROOT_DIR}")returninit_folder()all_samples=collect_all_samples()ifnotall_samples:print("❌ 未找到任何图片+json配对样本，程序退出")returnsplit_data=split_dataset(all_samples)forsplit,samplesinsplit_data.items():copy_and_convert(split,samples)print(f"✅{split}集处理完成")generate_yaml()print("\n🎉 全部任务执行完成！")print(f"数据集输出目录：{os.path.abspath(OUTPUT_DIR)}")if__name__=="__main__":# ===================== 所有配置参数放在此处：if __name__下、main()调用前 =====================ROOT_DIR=r"D:\\test\\"OUTPUT_DIR=r"D:\\train\\"TRAIN_RATIO=0.8VAL_RATIO=0.1TEST_RATIO=0.1RANDOM_SEED=42IMG_SUFFIX=(".jpg",".jpeg",".png",".bmp")# 新增：需要处理的子文件夹列表，为空列表则处理全部子文件夹# 示例：TARGET_SUB_FOLDERS = ["folder1", "folder2", "folder3"]TARGET_SUB_FOLDERS=[]# 类别映射：标签名:类别ID（从0开始）CLASS_MAP={"rect3_1":0,}# =====================================================================================main()