163、YOLOv8改进实战：旋转框检测头设计——基于YOLOv8的遥感图像定向目标检测从一次翻车现场说起去年接了个遥感图像检测项目，甲方要求检测机场跑道上的飞机，还要输出朝向角。我心想YOLOv8水平框检测不是挺稳的吗？直接上。结果一跑测试集，密集停靠的飞机框全糊在一起，NMS后只剩几个孤零零的框，召回率惨不忍睹。更离谱的是，有些飞机被框成了斜着的矩形，但角度信息全丢了。甲方反馈说“你们这检测结果连飞机头朝哪都看不出来，怎么引导后续识别？”这才意识到，遥感图像里目标旋转是常态——建筑物、船舶、车辆，哪个不是歪七扭八的？水平框在这种场景下就是硬伤。于是开始动手给YOLOv8加旋转框检测头，这个过程踩了不少坑，今天把能说的都抖出来。旋转框检测的核心矛盾水平框检测头输出的是(x, y, w, h, cls)，旋转框要变成(x, y, w, h, angle, cls)。看起来就多了一个角度参数，但实际坑深得很。第一个坑：角度定义混乱。有的论文用弧度，有的用角度制，还有的用sin/cos编码。我一开始图省事直接回归角度值，结果训练时loss震荡得像心电图。后来发现角度回归天然存在周期性——0度和180度其实是一个朝向，但数值差180，模型根本学不明白。第二个坑：旋转框的损失函数。IoU计算在旋转框上不是简单的交并比，得用SkewIoU或者GWD（高斯 Wasserstein距离）。我试过直接用水平框的CIoU，训练出来的模型角度偏差平均15度， 163、YOLOv8改进实战：旋转框检测头设计——基于YOLOv8的遥感图像定向目标检测
163、YOLOv8改进实战：旋转框检测头设计——基于YOLOv8的遥感图像定向目标检测从一次翻车现场说起去年接了个遥感图像检测项目，甲方要求检测机场跑道上的飞机，还要输出朝向角。我心想YOLOv8水平框检测不是挺稳的吗？直接上。结果一跑测试集，密集停靠的飞机框全糊在一起，NMS后只剩几个孤零零的框，召回率惨不忍睹。更离谱的是，有些飞机被框成了斜着的矩形，但角度信息全丢了。甲方反馈说“你们这检测结果连飞机头朝哪都看不出来，怎么引导后续识别？”这才意识到，遥感图像里目标旋转是常态——建筑物、船舶、车辆，哪个不是歪七扭八的？水平框在这种场景下就是硬伤。于是开始动手给YOLOv8加旋转框检测头，这个过程踩了不少坑，今天把能说的都抖出来。旋转框检测的核心矛盾水平框检测头输出的是(x, y, w, h, cls)，旋转框要变成(x, y, w, h, angle, cls)。看起来就多了一个角度参数，但实际坑深得很。第一个坑：角度定义混乱。有的论文用弧度，有的用角度制，还有的用sin/cos编码。我一开始图省事直接回归角度值，结果训练时loss震荡得像心电图。后来发现角度回归天然存在周期性——0度和180度其实是一个朝向，但数值差180，模型根本学不明白。第二个坑：旋转框的损失函数。IoU计算在旋转框上不是简单的交并比，得用SkewIoU或者GWD（高斯 Wasserstein距离）。我试过直接用水平框的CIoU，训练出来的模型角度偏差平均15度，