使用yolov8obb训练自己 数据集

### 使用 YOLOv8 OBB 训练自定义数据集

#### 数据准备
为了使用YOLOv8 OBB训练自定义数据集，首先需要准备好合适的数据格式。通常情况下，原始数据可能不是YOLO所需的格式，因此需要进行转换。

对于特定于旋转框（Oriented Bounding Box, OBB）的任务，存在专门的工具用于将其他格式的数据转化为YOLOv8可接受的形式。例如，如果拥有DOTA数据集或其他类似的遥感图像数据集，则可以通过`convert_dota_to_yolo_obb()`函数来完成这一过程[^4]：

from ultralytics.data.converter import convert_dota_to_yolo_obb
convert_dota_to_yolo_obb('path/to/your/dataset')

此命令会读取指定目录下的标注文件并将其转写成适用于YOLOv8 OBB模型训练的新版本。

#### 加载预训练模型
接下来，在开始训练之前要加载一个合适的预训练权重作为起点。官方提供了多种不同大小的基础网络供选择，比如`yolov8n-obb.pt`, `yolov8s-obb.pt`等。可以从官方网站获取这些预训练好的模型权重文件[^2]。

一旦下载完毕，就可以通过如下方式加载模型实例:

from ultralytics import YOLO
model = YOLO("path/to/pretrained/model/yolov8x-obb.pt")

这里假设已经选择了较大的`yolov8x-obb.pt`作为基础架构来进行更复杂的场景分析。

#### 开始训练
有了上述准备工作之后，现在可以启动实际的训练流程了。这一步骤涉及到配置参数设置以及调用相应的API接口执行训练操作。下面是一条完整的命令行指令用来发起一轮为期100轮次的学习迭代，并指定了输入图片尺寸为640×640像素:

yolo obb train data=dota.yaml model=yolov8x-obb.pt epochs=100 imgsz=640

其中`data=dota.yaml`表示采用的是名为dota.yaml的数据描述文档；而`imgsz=640`则限定了每张送入网络中的样本图像是正方形且边长等于640个单位长度。

#### 测试与评估
当训练完成后，自然希望能够看到新学到的知识能否被有效应用于新的未知案例上。为此，可以利用已保存的最佳性能模型对一批未曾见过的照片实施预测作业。以下是具体做法之一[^3]:

results = model('path/to/test/images', save=True)

这段代码片段将会遍历给定路径下所有的测试图片，并尝试识别出里面存在的物体类别及其位置信息，同时还将可视化后的结果存储下来以便后续审查。