Ultralytics OBBTrainer 详解YOLO 旋转框OBB训练器的 API 参考与实现剖析【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics本文围绕 Ultralytics 仓库中的 OBB 训练器OBBTrainer源码位于 ultralytics/models/yolo/obb/train.py展开对应官方参考页 docs/en/reference/models/yolo/obb/train.md。读完本文你将掌握 OBB 训练器的构造函数与核心方法签名、它如何复用检测训练管线、旋转框损失v8OBBLoss的四项损失构成以及使用dota8.yaml等数据集训练旋转框模型如yolo26n-obb.pt的完整实操路径。1. OBBTrainer 定位检测训练器之上的旋转框特化层OBBOriented Bounding Box旋转有向边界框任务用于检测任意朝向的物体典型场景是遥感、卫星与航拍图像中的飞机、船只、车辆等目标。Ultralytics 将 OBB 训练实现为DetectionTrainer的一个子类仅重写与旋转框直接相关的两三个方法其余训练管线数据加载、增强、回调、DDP、日志等全部继承复用。从源码看OBBTrainer 的类 docstring 明确说明了这一设计class OBBTrainer(yolo.detect.DetectionTrainer): A class extending the DetectionTrainer class for training based on an Oriented Bounding Box (OBB) model. This trainer specializes in training YOLO models that detect oriented bounding boxes, which are useful for detecting objects at arbitrary angles rather than just axis-aligned rectangles. ... 它重写的部分只有三处构造函数强制任务类型、get_model返回 OBB 模型和get_validator返回 OBB 校验器完整实现不足 80 行train.py。此外任务与训练器的绑定关系定义在 ultralytics/models/yolo/model.py 的task_map中obb: { model: OBBModel, trainer: yolo.obb.OBBTrainer, validator: yolo.obb.OBBValidator, predictor: yolo.obb.OBBPredictor, },也就是说当用户以 OBB 任务如YOLO(yolo26n-obb.pt).train(...)或 CLI 中指定 OBB 权重启动训练时框架会自动实例化OBBTrainer无需手动 import。2. 构造函数OBBTrainer.init构造函数签名train.pydef __init__(self, cfgDEFAULT_CFG, overrides: dict | None None, _callbacks: dict | None None): Args: cfg (dict, optional): Configuration dictionary for the trainer. Contains training parameters and model configuration. overrides (dict, optional): Dictionary of parameter overrides for the configuration. Any values here will take precedence over those in cfg. _callbacks (dict, optional): Dictionary of callback functions to be invoked during training. if overrides is None: overrides {} overrides[task] obb super().__init__(cfg, overrides, _callbacks)三个参数与父类体系BaseTrainer见 ultralytics/engine/trainer.py保持一致cfg训练超参配置字典默认为DEFAULT_CFG由 ultralytics/cfg/default.yaml 加载的全局默认配置包含imgsz、epochs、batch、optimizer、lr0等全部训练参数overrides用户传入的参数覆盖字典优先级高于cfg_callbacks自定义回调函数字典在训练各阶段被触发。OBBTrainer 构造函数的关键差异只有一行overrides[task] obb。它无条件地把任务类型改写为obb因此即使用户忘记显式指定 task通过OBBTrainer启动的训练也一定是旋转框训练这从源头上避免了用 detect 数据集训练 OBB 模型之类的任务错配。3. get_model构建 OBBModel 并加载权重def get_model( self, cfg: str | dict | None None, weights: str | Path | None None, verbose: bool True ) - OBBModel: model self.set_model_names_for_load( OBBModel(cfg, ncself.data[nc], chself.data[channels], verboseverbose and RANK -1) ) if weights: model.load(weights) return model参数说明cfg模型结构配置可以是 YAML 路径如yolo26n-obb.yaml、参数字典或 None 使用默认配置weights预训练权重路径如yolo26n-obb.pt为 None 时随机初始化即从零训练verbose是否打印模型摘要层数、参数量、FLOPs在分布式训练非主进程RANK ! -1时自动静默。实现上有两个值得注意的细节类别数自动对齐ncself.data[nc]与chself.data[channels]直接从数据集元信息注入模型模型输出头的类别维度无需在 YAML 中写死即可匹配数据集。类别名重映射调用链中先经过set_model_names_for_load定义于 DetectionTrainer当cls_remap开启时会把目标数据集的names挂到模型上使加载预训练权重时分类头可以按类别名做重映射。get_model返回的OBBModel定义在 ultralytics/nn/tasks.py它继承DetectionModel仅重写了init_criterion以切换为旋转框损失class OBBModel(DetectionModel): def init_criterion(self): Initialize the loss criterion for the model. return E2ELoss(self, v8OBBLoss) if getattr(self, end2end, False) else v8OBBLoss(self)即非端到端模型使用v8OBBLossend2endTrue的模型如 YOLO26 系列 OBB则用E2ELoss包装v8OBBLoss。4. get_validator训练循环内的 OBB 校验器def get_validator(self): Return an instance of OBBValidator for validation of YOLO model. return yolo.obb.OBBValidator( self.test_loader, save_dirself.save_dir, argscopy(self.args), _callbacksself.callbacks )每个 epoch 结束时训练器调用get_validator构造校验器并在验证集上评估。OBBValidator 相对DetectionValidator的差异同样很小构造函数中强制self.args.task obb并改用OBBMetrics计算指标OBB 采用旋转框 IoU 匹配init_metrics里通过判断验证集路径是否包含 DOTA 设置is_dota标志以适配 DOTA 数据集的评估约定混淆矩阵的 task 也切换为obb保证输出图与统计口径一致。注意这里argscopy(self.args)是对参数字典的浅拷贝保证校验过程如 NMS 阈值不污染训练器自身的 args。5. 底层损失剖析v8OBBLoss 的 box / cls / dfl / angle 四项损失OBBModel的init_criterion指向 ultralytics/utils/loss.py 中的v8OBBLoss这是 OBB 训练的核心class v8OBBLoss(v8DetectionLoss): Calculates losses for object detection, classification, and box distribution in rotated YOLO models. def __init__(self, model: torch.nn.Module, tal_topk10, tal_topk2: int | None None): super().__init__(model, tal_topktal_topk) self.loss_names (*self.loss_names, angle_loss) self.assigner RotatedTaskAlignedAssigner( topktal_topk, num_classesself.nc, alpha0.5, beta6.0, strideself.stride.tolist(), topk2tal_topk2, ) self.bbox_loss RotatedBboxLoss(self.reg_max).to(self.device)相对检测损失v8DetectionLossbox/cls/dfl 三项OBB 损失追加了第四项angle_loss训练进度条中的angle列并替换了两个组件正样本分配器RotatedTaskAlignedAssigneralpha0.5、beta6.0在任务对齐分配中把旋转框 IoU 作为匹配代价框回归损失RotatedBboxLoss对 (x, y, w, h, θ) 中的几何部分做 DFL 回归。损失计算主流程loss.py要点标注格式GT 以cls xywhr5 列旋转框组织其中最后一列是旋转角损失内部先按输入图像尺寸缩放并过滤掉w或h在像素尺度上小于 2 的极小框rw 2 rh 2用于稳定训练异常兜底若标注不是合法的 OBB 格式例如拿普通 detect 数据集训练 OBB 模型会抛出明确的TypeError提示数据集应为dota8.yaml这类 OBB 格式框解码bbox_decode将预测的距离分布与角度预测转换为xywhr预测框参与后续分配与回归角度损失calculate_angle_losslambda_val3该参数控制对长宽比的敏感度按目标分数加权计算角度项加权汇总四项损失分别乘以超参hyp.box、hyp.cls、hyp.dfl、hyp.angle的增益angle为 OBB 特有的超参键定义在全局默认配置 ultralytics/cfg/default.yaml 中最终返回(loss * batch_size, {loss_names: 数值})字典——训练器中的loss_names属性正是从这里派生用于进度条与结果日志。此外分类损失处还接入了类别权重机制DetectionTrainer.set_class_weightsdetect/train.py基于训练集类别频次计算逆频率权重幂次由cls_pw控制范围 [0, 1]当cls_pw 0时会乘入 BCE 分类损失OBB 训练同样生效。6. 继承自 DetectionTrainer 的训练管线OBBTrainer未重写的部分全部来自 DetectionTrainer这些方法是 OBB 训练实际运行时的幕后功臣方法作用build_dataset依据数据集 YAML 构造训练/验证 YOLO Datasetstride取自max(model.stride, 32)val 模式启用rectget_dataloader构建 DataLoadertrain 模式默认 shufflerect 模式与 shuffle 冲突时自动关闭并告警val 使用双倍 workerspreprocess_batch张量搬运到设备并将像素归一化到 [0, 1]multi_scale 0时按imgsz上下浮动随机缩放输入尺寸set_model_attributes把数据集nc、names与超参args挂到模型上对 end2end 模型同步max_det_build_train_pipeline对 detect/segment/pose/obb 任务调用_check_max_det按数据集实际目标数校正max_det默认值auto_batch估计单图最大目标数乘 4 倍余量给 mosaic 增强后自动推算显存最优 batch sizeprogress_string生成Epoch / GPU_mem / box / cls / dfl / angle / Instances / Size的训练进度表头从源码结构看OBB 训练器与检测训练器共享全部数据增强mosaic、mixup、HSV 等见 ultralytics/data/augment.py与回调机制ultralytics/utils/callbacks 下的 ClearML、Comet、MLflow、TensorBoard 等可选集成。7. OBB 模型结构与数据集配置模型结构以 ultralytics/cfg/models/26/yolo26-obb.yaml 为例OBB 模型由骨干P2~P5 多尺度特征 检测头 末端OBB26输出头构成nc: 80 # number of classes end2end: True # whether to use end-to-end mode reg_max: 1 # DFL bins scales: # modelyolo26n-obb.yaml will call yolo26-obb.yaml with scale n # [depth, width, max_channels] n: [0.50, 0.25, 1024] # 2,715,614 parameters, 16.9 GFLOPs s: [0.50, 0.50, 1024] # 10,582,142 parameters, 63.5 GFLOPs m: [0.50, 1.00, 512] # 23,593,918 parameters, 211.9 GFLOPs l: [1.00, 1.00, 512] # 27,997,374 parameters, 259.0 GFLOPs x: [1.00, 1.50, 512] # 62,811,678 parameters, 578.9 GFLOPs ... - [[16, 19, 22], 1, OBB26, [nc, 1]] # OBB26(P3, P4, P5)nc会被get_model用数据集实际类别数覆盖end2end: True决定OBBModel.init_criterion走E2ELoss包装路径。数据集配置ultralytics/cfg/datasets/dota8.yaml 是最小可跑的 OBB 数据集4 训练 4 验证约 1 MBDOTAv1 子集path: dota8 # dataset root dir train: images/train # train images (relative to path) 4 images val: images/val # val images (relative to path) 4 images # Classes for DOTA 1.0 names: 0: plane 1: ship 2: storage tank ... download: https://github.com/ultralytics/assets/releases/download/v0.0.0/dota8.zipOBB 标注文件每行一个实例字段为cls cx cy w h r类别 旋转框五元组与 5 列 GT 的组织方式一一对应loss.py中的报错提示也强调用 OBB 模型训练时数据必须是 OBB 格式官方文档中 OBB 数据集见 docs/en/datasets/obb/dota8.md任务整体说明见 docs/en/tasks/obb.md。8. 实战三种方式启动 OBB 训练方式一直接使用 OBBTrainer参考页 docstring 中的官方示例from ultralytics.models.yolo.obb import OBBTrainer args dict(modelyolo26n-obb.pt, datadota8.yaml, epochs3) trainer OBBTrainer(overridesargs) trainer.train()适合需要介入训练器内部自定义数据管线、自定义损失、自定义回调的场景。trainer.train()执行完整的构建数据 → 每 epoch 训练 → 校验get_validator→ 保存最佳/最后权重循环。方式二通过统一 YOLO 入口from ultralytics import YOLO model YOLO(yolo26n-obb.pt) # 加载预训练权重 results model.train(datadota8.yaml, epochs3, imgsz1024) results model.val(datadota8.yaml)从task_map的定义可以推断YOLO依据模型头类型自动路由到OBBTrainer/OBBValidator/OBBPredictor无需用户感知底层类名。方式三CLIyolo train modelyolo26n-obb.pt datadota8.yaml epochs3 imgsz1024 yolo val modelyolo26n-obb.pt datadota8.yaml训练进度表中会出现box、cls、dfl、angle四个损失列对应v8OBBLoss.loss_names可用 docs/en/guides/view-results-in-terminal.md 了解如何查看训练曲线。9. 小结OBB 训练的增量与复用关注点OBB 特有实现复用的检测实现任务约束__init__强制taskobbBaseTrainer配置合并与 DDP模型OBBModelOBB26输出头DetectionModel骨干/头结构损失v8OBBLossRotatedTaskAlignedAssigner RotatedBboxLoss angle_lossbox/cls/dfl 计算框架校验OBBValidatorOBBMetrics、DOTA 约定识别NMS、绘图、结果落盘数据/增强/回调OBB 标注为 5 列xywhrmosaic、mixup、auto_batch、可视化对读者而言理解 OBBTrainer 的关键在于增量思维它只重写了任务标识、模型工厂与校验器三处而旋转框能力真正落在 OBBModel 与 v8OBBLoss 上。若要定制 OBB 训练如修改角度损失、调整 TAL 分配参数改动点也应聚焦在这些位置而不是训练器本身。相关参考页OBB 推理 docs/en/reference/models/yolo/obb/predict.md、OBB 校验 docs/en/reference/models/yolo/obb/val.md。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Ultralytics OBBTrainer 详解YOLO 旋转框OBB训练器的 API 参考与实现剖析【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics本文围绕 Ultralytics 仓库中的 OBB 训练器OBBTrainer源码位于 ultralytics/models/yolo/obb/train.py展开对应官方参考页 docs/en/reference/models/yolo/obb/train.md。读完本文你将掌握 OBB 训练器的构造函数与核心方法签名、它如何复用检测训练管线、旋转框损失v8OBBLoss的四项损失构成以及使用dota8.yaml等数据集训练旋转框模型如yolo26n-obb.pt的完整实操路径。1. OBBTrainer 定位检测训练器之上的旋转框特化层OBBOriented Bounding Box旋转有向边界框任务用于检测任意朝向的物体典型场景是遥感、卫星与航拍图像中的飞机、船只、车辆等目标。Ultralytics 将 OBB 训练实现为DetectionTrainer的一个子类仅重写与旋转框直接相关的两三个方法其余训练管线数据加载、增强、回调、DDP、日志等全部继承复用。从源码看OBBTrainer 的类 docstring 明确说明了这一设计class OBBTrainer(yolo.detect.DetectionTrainer): A class extending the DetectionTrainer class for training based on an Oriented Bounding Box (OBB) model. This trainer specializes in training YOLO models that detect oriented bounding boxes, which are useful for detecting objects at arbitrary angles rather than just axis-aligned rectangles. ... 它重写的部分只有三处构造函数强制任务类型、get_model返回 OBB 模型和get_validator返回 OBB 校验器完整实现不足 80 行train.py。此外任务与训练器的绑定关系定义在 ultralytics/models/yolo/model.py 的task_map中obb: { model: OBBModel, trainer: yolo.obb.OBBTrainer, validator: yolo.obb.OBBValidator, predictor: yolo.obb.OBBPredictor, },也就是说当用户以 OBB 任务如YOLO(yolo26n-obb.pt).train(...)或 CLI 中指定 OBB 权重启动训练时框架会自动实例化OBBTrainer无需手动 import。2. 构造函数OBBTrainer.init构造函数签名train.pydef __init__(self, cfgDEFAULT_CFG, overrides: dict | None None, _callbacks: dict | None None): Args: cfg (dict, optional): Configuration dictionary for the trainer. Contains training parameters and model configuration. overrides (dict, optional): Dictionary of parameter overrides for the configuration. Any values here will take precedence over those in cfg. _callbacks (dict, optional): Dictionary of callback functions to be invoked during training. if overrides is None: overrides {} overrides[task] obb super().__init__(cfg, overrides, _callbacks)三个参数与父类体系BaseTrainer见 ultralytics/engine/trainer.py保持一致cfg训练超参配置字典默认为DEFAULT_CFG由 ultralytics/cfg/default.yaml 加载的全局默认配置包含imgsz、epochs、batch、optimizer、lr0等全部训练参数overrides用户传入的参数覆盖字典优先级高于cfg_callbacks自定义回调函数字典在训练各阶段被触发。OBBTrainer 构造函数的关键差异只有一行overrides[task] obb。它无条件地把任务类型改写为obb因此即使用户忘记显式指定 task通过OBBTrainer启动的训练也一定是旋转框训练这从源头上避免了用 detect 数据集训练 OBB 模型之类的任务错配。3. get_model构建 OBBModel 并加载权重def get_model( self, cfg: str | dict | None None, weights: str | Path | None None, verbose: bool True ) - OBBModel: model self.set_model_names_for_load( OBBModel(cfg, ncself.data[nc], chself.data[channels], verboseverbose and RANK -1) ) if weights: model.load(weights) return model参数说明cfg模型结构配置可以是 YAML 路径如yolo26n-obb.yaml、参数字典或 None 使用默认配置weights预训练权重路径如yolo26n-obb.pt为 None 时随机初始化即从零训练verbose是否打印模型摘要层数、参数量、FLOPs在分布式训练非主进程RANK ! -1时自动静默。实现上有两个值得注意的细节类别数自动对齐ncself.data[nc]与chself.data[channels]直接从数据集元信息注入模型模型输出头的类别维度无需在 YAML 中写死即可匹配数据集。类别名重映射调用链中先经过set_model_names_for_load定义于 DetectionTrainer当cls_remap开启时会把目标数据集的names挂到模型上使加载预训练权重时分类头可以按类别名做重映射。get_model返回的OBBModel定义在 ultralytics/nn/tasks.py它继承DetectionModel仅重写了init_criterion以切换为旋转框损失class OBBModel(DetectionModel): def init_criterion(self): Initialize the loss criterion for the model. return E2ELoss(self, v8OBBLoss) if getattr(self, end2end, False) else v8OBBLoss(self)即非端到端模型使用v8OBBLossend2endTrue的模型如 YOLO26 系列 OBB则用E2ELoss包装v8OBBLoss。4. get_validator训练循环内的 OBB 校验器def get_validator(self): Return an instance of OBBValidator for validation of YOLO model. return yolo.obb.OBBValidator( self.test_loader, save_dirself.save_dir, argscopy(self.args), _callbacksself.callbacks )每个 epoch 结束时训练器调用get_validator构造校验器并在验证集上评估。OBBValidator 相对DetectionValidator的差异同样很小构造函数中强制self.args.task obb并改用OBBMetrics计算指标OBB 采用旋转框 IoU 匹配init_metrics里通过判断验证集路径是否包含 DOTA 设置is_dota标志以适配 DOTA 数据集的评估约定混淆矩阵的 task 也切换为obb保证输出图与统计口径一致。注意这里argscopy(self.args)是对参数字典的浅拷贝保证校验过程如 NMS 阈值不污染训练器自身的 args。5. 底层损失剖析v8OBBLoss 的 box / cls / dfl / angle 四项损失OBBModel的init_criterion指向 ultralytics/utils/loss.py 中的v8OBBLoss这是 OBB 训练的核心class v8OBBLoss(v8DetectionLoss): Calculates losses for object detection, classification, and box distribution in rotated YOLO models. def __init__(self, model: torch.nn.Module, tal_topk10, tal_topk2: int | None None): super().__init__(model, tal_topktal_topk) self.loss_names (*self.loss_names, angle_loss) self.assigner RotatedTaskAlignedAssigner( topktal_topk, num_classesself.nc, alpha0.5, beta6.0, strideself.stride.tolist(), topk2tal_topk2, ) self.bbox_loss RotatedBboxLoss(self.reg_max).to(self.device)相对检测损失v8DetectionLossbox/cls/dfl 三项OBB 损失追加了第四项angle_loss训练进度条中的angle列并替换了两个组件正样本分配器RotatedTaskAlignedAssigneralpha0.5、beta6.0在任务对齐分配中把旋转框 IoU 作为匹配代价框回归损失RotatedBboxLoss对 (x, y, w, h, θ) 中的几何部分做 DFL 回归。损失计算主流程loss.py要点标注格式GT 以cls xywhr5 列旋转框组织其中最后一列是旋转角损失内部先按输入图像尺寸缩放并过滤掉w或h在像素尺度上小于 2 的极小框rw 2 rh 2用于稳定训练异常兜底若标注不是合法的 OBB 格式例如拿普通 detect 数据集训练 OBB 模型会抛出明确的TypeError提示数据集应为dota8.yaml这类 OBB 格式框解码bbox_decode将预测的距离分布与角度预测转换为xywhr预测框参与后续分配与回归角度损失calculate_angle_losslambda_val3该参数控制对长宽比的敏感度按目标分数加权计算角度项加权汇总四项损失分别乘以超参hyp.box、hyp.cls、hyp.dfl、hyp.angle的增益angle为 OBB 特有的超参键定义在全局默认配置 ultralytics/cfg/default.yaml 中最终返回(loss * batch_size, {loss_names: 数值})字典——训练器中的loss_names属性正是从这里派生用于进度条与结果日志。此外分类损失处还接入了类别权重机制DetectionTrainer.set_class_weightsdetect/train.py基于训练集类别频次计算逆频率权重幂次由cls_pw控制范围 [0, 1]当cls_pw 0时会乘入 BCE 分类损失OBB 训练同样生效。6. 继承自 DetectionTrainer 的训练管线OBBTrainer未重写的部分全部来自 DetectionTrainer这些方法是 OBB 训练实际运行时的幕后功臣方法作用build_dataset依据数据集 YAML 构造训练/验证 YOLO Datasetstride取自max(model.stride, 32)val 模式启用rectget_dataloader构建 DataLoadertrain 模式默认 shufflerect 模式与 shuffle 冲突时自动关闭并告警val 使用双倍 workerspreprocess_batch张量搬运到设备并将像素归一化到 [0, 1]multi_scale 0时按imgsz上下浮动随机缩放输入尺寸set_model_attributes把数据集nc、names与超参args挂到模型上对 end2end 模型同步max_det_build_train_pipeline对 detect/segment/pose/obb 任务调用_check_max_det按数据集实际目标数校正max_det默认值auto_batch估计单图最大目标数乘 4 倍余量给 mosaic 增强后自动推算显存最优 batch sizeprogress_string生成Epoch / GPU_mem / box / cls / dfl / angle / Instances / Size的训练进度表头从源码结构看OBB 训练器与检测训练器共享全部数据增强mosaic、mixup、HSV 等见 ultralytics/data/augment.py与回调机制ultralytics/utils/callbacks 下的 ClearML、Comet、MLflow、TensorBoard 等可选集成。7. OBB 模型结构与数据集配置模型结构以 ultralytics/cfg/models/26/yolo26-obb.yaml 为例OBB 模型由骨干P2~P5 多尺度特征 检测头 末端OBB26输出头构成nc: 80 # number of classes end2end: True # whether to use end-to-end mode reg_max: 1 # DFL bins scales: # modelyolo26n-obb.yaml will call yolo26-obb.yaml with scale n # [depth, width, max_channels] n: [0.50, 0.25, 1024] # 2,715,614 parameters, 16.9 GFLOPs s: [0.50, 0.50, 1024] # 10,582,142 parameters, 63.5 GFLOPs m: [0.50, 1.00, 512] # 23,593,918 parameters, 211.9 GFLOPs l: [1.00, 1.00, 512] # 27,997,374 parameters, 259.0 GFLOPs x: [1.00, 1.50, 512] # 62,811,678 parameters, 578.9 GFLOPs ... - [[16, 19, 22], 1, OBB26, [nc, 1]] # OBB26(P3, P4, P5)nc会被get_model用数据集实际类别数覆盖end2end: True决定OBBModel.init_criterion走E2ELoss包装路径。数据集配置ultralytics/cfg/datasets/dota8.yaml 是最小可跑的 OBB 数据集4 训练 4 验证约 1 MBDOTAv1 子集path: dota8 # dataset root dir train: images/train # train images (relative to path) 4 images val: images/val # val images (relative to path) 4 images # Classes for DOTA 1.0 names: 0: plane 1: ship 2: storage tank ... download: https://github.com/ultralytics/assets/releases/download/v0.0.0/dota8.zipOBB 标注文件每行一个实例字段为cls cx cy w h r类别 旋转框五元组与 5 列 GT 的组织方式一一对应loss.py中的报错提示也强调用 OBB 模型训练时数据必须是 OBB 格式官方文档中 OBB 数据集见 docs/en/datasets/obb/dota8.md任务整体说明见 docs/en/tasks/obb.md。8. 实战三种方式启动 OBB 训练方式一直接使用 OBBTrainer参考页 docstring 中的官方示例from ultralytics.models.yolo.obb import OBBTrainer args dict(modelyolo26n-obb.pt, datadota8.yaml, epochs3) trainer OBBTrainer(overridesargs) trainer.train()适合需要介入训练器内部自定义数据管线、自定义损失、自定义回调的场景。trainer.train()执行完整的构建数据 → 每 epoch 训练 → 校验get_validator→ 保存最佳/最后权重循环。方式二通过统一 YOLO 入口from ultralytics import YOLO model YOLO(yolo26n-obb.pt) # 加载预训练权重 results model.train(datadota8.yaml, epochs3, imgsz1024) results model.val(datadota8.yaml)从task_map的定义可以推断YOLO依据模型头类型自动路由到OBBTrainer/OBBValidator/OBBPredictor无需用户感知底层类名。方式三CLIyolo train modelyolo26n-obb.pt datadota8.yaml epochs3 imgsz1024 yolo val modelyolo26n-obb.pt datadota8.yaml训练进度表中会出现box、cls、dfl、angle四个损失列对应v8OBBLoss.loss_names可用 docs/en/guides/view-results-in-terminal.md 了解如何查看训练曲线。9. 小结OBB 训练的增量与复用关注点OBB 特有实现复用的检测实现任务约束__init__强制taskobbBaseTrainer配置合并与 DDP模型OBBModelOBB26输出头DetectionModel骨干/头结构损失v8OBBLossRotatedTaskAlignedAssigner RotatedBboxLoss angle_lossbox/cls/dfl 计算框架校验OBBValidatorOBBMetrics、DOTA 约定识别NMS、绘图、结果落盘数据/增强/回调OBB 标注为 5 列xywhrmosaic、mixup、auto_batch、可视化对读者而言理解 OBBTrainer 的关键在于增量思维它只重写了任务标识、模型工厂与校验器三处而旋转框能力真正落在 OBBModel 与 v8OBBLoss 上。若要定制 OBB 训练如修改角度损失、调整 TAL 分配参数改动点也应聚焦在这些位置而不是训练器本身。相关参考页OBB 推理 docs/en/reference/models/yolo/obb/predict.md、OBB 校验 docs/en/reference/models/yolo/obb/val.md。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
