yolov11的obb

### YOLOv11中的OBB实现与使用

YOLOv11作为Ultralytics YOLO系列的最新版本，在多个方面进行了优化和增强，特别是在物体检测任务上引入了先进的技术特性[^1]。对于定向边界框（OBB），YOLOv11通过采用可变形卷积网络第四版（Deformable Convolutional Networks v4, DCNv4）实现了更精确的目标定位能力[^2]。

#### 实现细节

为了支持OBB功能，YOLOv11在网络结构中集成了DCNv4模块。这一改进不仅增强了模型处理复杂场景的能力，还提高了对旋转目标的识别精度。具体来说：

- **特征提取层**：在骨干网部分保持原有高效设计的同时，增加了专门针对倾斜角度估计的支持向量机(SVM)，用于预测对象的方向角。

- **回归分支**：除了常规的位置坐标外，新增了一个输出通道用来表示每个候选区域的角度参数θ。这样可以使得最终得到的结果不仅仅是矩形边界的中心点(x,y)及其宽度w高度h，还包括了描述其方向的信息θ。

import torch.nn as nn

class OBBDetectionHead(nn.Module):
    def __init__(self, num_classes=80):
        super(OBBDetectionHead, self).__init__()
        
        # 增加SVM用于预测角度
        self.angle_pred = nn.Conv2d(256, 1, kernel_size=3, stride=1, padding=1)

    def forward(self, x):
        angle_preds = self.angle_pred(x)
        return angle_preds

#### 使用指南

当准备利用YOLOv11进行带有OBB的任务时，需注意以下几点配置调整：

- 安装必要的依赖库并下载预训练权重文件。
- 修改数据集标注格式以适应新的标签体系——即增加角度信息。
- 调整损失函数计算方式，确保能够正确评估角度误差带来的影响。
- 如果是从头开始训练，则建议先冻结主干网络一段时间后再解冻微调整个模型；而对于迁移学习而言可以直接加载官方提供的checkpoint继续迭代优化。