1. YOLO11旋转目标检测入门指南

工业质检领域对目标检测的精度要求越来越高，特别是当检测对象存在旋转角度变化时，传统矩形框检测方法往往力不从心。YOLO11的OBB（Oriented Bounding Box）功能正是为解决这一问题而生，它能够精准捕捉任意角度的目标轮廓。

旋转目标检测与传统检测的核心区别在于边界框的表示方式。传统方法使用(x,y,w,h)描述一个与图像坐标轴对齐的矩形框，而OBB则通过四个顶点坐标或(x,y,w,h,θ)的形式来描述旋转框。这种改进在工业场景中价值巨大——想象一下检测印刷电路板上的倾斜元件，或是流水线上随机摆放的零件，旋转框能减少40%以上的背景干扰。

YOLO11作为YOLO系列的最新成员，在旋转目标检测上做了多项优化：

• 单位圆角度编码：将角度映射为(sinθ, cosθ)，避免360°边界处的数值跳变
• 多尺度特征融合：新增160x160高分辨率检测层，提升小目标检测能力
• 动态标签分配：根据分类得分与旋转IoU的乘积动态分配正样本

实测数据显示，在QR码检测任务中，YOLO11-OBB的mAP50达到96.6%，角度误差仅2.5度。下面我们就从数据准备开始，一步步实现工业级旋转目标检测。

2. 数据标注与格式转换实战

2.1 标注工具选择与使用

Labelme是旋转目标标注的首选工具，安装只需一行命令：

pip install labelme

启动后，通过"Create Polygons"绘制多边形标注，特别适合不规则形状的工业零件。标注时要注意：

1. 按顺时针或逆时针顺序连续点击目标轮廓顶点
2. 对对称物体保持角度标注一致性（如二维码始终以左上角为起点）
3. 复杂目标可用多个多边形组合标注

我曾在一个齿轮缺陷检测项目中踩过坑：标注时顶点顺序不统一导致训练时角度震荡。后来开发了自动排序脚本才解决问题——建议在标注规范中明确顶点顺序要求。

2.2 标注格式转换技巧

Labelme生成的JSON需要转换为YOLO-OBB格式，核心转换逻辑如下：

def json_to_yolo_obb(json_path, output_dir):
    with open(json_path) as f:
        data = json.load(f)
    
    img_w = data['imageWidth']
    img_h = data['imageHeight']
    
    for shape in data['shapes']:
        points = np.array(shape['points'])
        # 顶点排序（右上→右下→左下→左上）
        points = order_points(points)
        
        # 归一化坐标
        points[:, 0] /= img_w
        points[:, 1] /= img_h
        
        # 写入txt文件
        with open(f"{output_dir}/{Path(json_path).stem}.txt", 'a') as f:
            line = f"{class_dict[shape['label']]} " + " ".join([f"{x:.6f}" for x in points.flatten()])
            f.write(line + "\n")

转换后的格式示例：

0 0.780811 0.743961 0.782371 0.74686 0.777691 0.752174 0.776131 0.749758

工业场景要特别注意：

• 标注微小缺陷时开启图像放大功能
• 对反光材质增加数据增强策略
• 保持标注团队对缺陷标准的一致性

3. 模型训练与调优策略

3.1 数据集配置

创建qrcode-obb.yaml配置文件：

path: /data/qrcode-obb
train: train/images
val: valid/images
test: test/images

names:
  0: qr_code
  1: defect_scratch
  2: defect_break

工业数据集划分建议：

• 训练集：验证集：测试集 = 7:2:1
• 确保各类缺陷在子集中均匀分布
• 对罕见缺陷采用过采样策略

3.2 训练参数优化

启动训练的关键参数配置：

model.train(
    data='qrcode-obb.yaml',
    imgsz=640,
    epochs=200,
    batch=16,
    close_mosaic=10,  # 最后10轮关闭马赛克增强
    device='0',
    optimizer='SGD',
    lr0=0.01,
    angle=1.5,  # 工业场景建议提高角度损失权重
    fliplr=0,   # 禁用水平翻转保持角度一致性
    hsv_h=0.015 # 增强色调变化鲁棒性
)

在金属件检测项目中，我们发现这些调优技巧很有效：

• 使用余弦退火学习率调度
• 对高反光材质增加HSV-S增强
• 采用EIoU损失替代CIoU

3.3 工业场景专项优化

针对产线环境的特点，推荐以下改进：

1. 小目标检测增强：

# 在model.yaml中添加
head:
  - [15, 18, nn.Conv2d, {'kernel_size': 1, 'stride': 1}]  # P2层
  - [[15, 18, 21], 1, DetectOBB, {'nc': 3}]  # 多尺度检测

2. 处理类不平衡：

# 自定义损失权重
cls_loss_weights = [1.0, 2.5, 2.5]  # 给缺陷类别更高权重

3. 模型轻量化部署：

yolo export model=yolo11s-obb.pt format=onnx opset=12 simplify=True

4. 生产环境部署方案

4.1 高性能推理优化

使用TensorRT加速的部署代码片段：

import tensorrt as trt

# 构建引擎
logger = trt.Logger(trt.Logger.INFO)
builder = trt.Builder(logger)
network = builder.create_network(1 << int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH))
parser = trt.OnnxParser(network, logger)

# 配置优化
config = builder.create_builder_config()
config.set_memory_pool_limit(trt.MemoryPoolType.WORKSPACE, 1 << 30)
engine = builder.build_serialized_network(network, config)

实测对比（Tesla T4）：

框架	推理时延(ms)	显存占用(MB)
PyTorch	45.2	1580
ONNX	28.7	920
TensorRT	12.3	640

4.2 产线集成方案

工业部署要考虑：

1. 硬件选型：

• 高帧率场景：NVIDIA Jetson AGX Orin
• 低成本方案：Intel NUC+OpenVINO
• 边缘计算：华为Atlas 500

2. 软件架构：

graph TD
A[工业相机] --> B[图像采集服务]
B --> C[推理引擎]
C --> D[MQTT消息队列]
D --> E[质检结果展示]
E --> F[NG品剔除装置]

3. 异常处理机制：

• 设计心跳包监测
• 实现模型热更新
• 添加降级处理流程

4.3 持续学习系统

建立反馈闭环提升模型表现：

1. 收集误检/漏检样本
2. 自动化数据清洗
3. 增量训练流程：

python train.py --data qrcode-obb.yaml --weights yolov11s-obb.pt \
               --epochs 50 --batch 16 --img 640 --exist-ok \
               --hyp hyp.finetune.yaml

在液晶屏缺陷检测项目中，持续学习使召回率每月提升约3%，误检率下降1.5%。关键是要建立标准化的数据回流机制和版本控制系统。