OBBDetection

注: 如果您有任何问题或宝贵建议，欢迎提出 issues 或直接联系我。

简介

OBBDetection 是一个基于 MMdetection v2.2 修改的定向目标检测工具箱。

主要特性

• 继承 MMdetection 的功能

  OBBDetection 没有改变原始 MMdetection 的结构和代码，新增的代码也遵循 MMdetection 的逻辑。因此，OBBDetection 继承了 MMdetection 的所有功能。

• 开箱即用的多框架支持

  本工具箱实现了多种定向目标检测器（例如 RoI Transformer、Gliding Vertex）。得益于 MMdetection 的模块化设计，检测器的许多部分（如骨干网络、RPN、采样器和分配器）都提供了多种可选方案。

• 灵活的定向框表示

  本工具箱支持水平边界框 (HBB)、定向边界框 (OBB) 和四点框 (POLY)。程序会根据张量形状或默认设置来确定边界框的类型。

  我们开发了 BboxToolkit，用于支持定向边界框的操作，该工具箱对它有很强的依赖性。

许可证

本项目采用 Apache 2.0 许可证 发布。

更新

• (2022-03-15) 支持定向掩码。开源 Oriented R-CNN and Beyond。
• (2021-12-14) 感谢 liuyanyi 在 OBBDetection 中重新实现 S2ANet。
• (2021-11-29) 放弃 mmcv-0.6.2，改为支持 mmcv-full。
• (2021-09-18) 在 OBBDetection 中实现了 Double Head OBB。
• (2021-09-01) 在 OBBDetection 中实现了 FCOS OBB。
• (2021-08-21) 重新实现了 PolyIoULoss。

基准测试与模型库

结果和模型可在 模型库 中查看。

支持的骨干网络：

• ResNet
• ResNeXt
• VGG
• HRNet
• RegNet
• Res2Net

支持的定向检测方法：

• S2ANet (TGRS)
• Oriented R-CNN (ICCV'2021)
• Oriented R-CNN and Beyond (IJCV 2024)
• Poly IoU Loss
• Faster R-CNN OBB
• Double Head OBB
• RetinaNet OBB
• Gliding Vertex
• RoI Transformer
• FCOS OBB

支持的水平检测方法：

• RPN
• Fast R-CNN
• Faster R-CNN
• Mask R-CNN
• Cascade R-CNN
• Cascade Mask R-CNN
• SSD
• RetinaNet
• GHM
• Mask Scoring R-CNN
• Double-Head R-CNN
• Hybrid Task Cascade
• Libra R-CNN
• Guided Anchoring
• FCOS
• RepPoints
• Foveabox
• FreeAnchor
• NAS-FPN
• ATSS
• FSAF
• PAFPN
• Dynamic R-CNN
• PointRend
• CARAFE
• DCNv2
• Group Normalization
• Weight Standardization
• OHEM
• Soft-NMS
• Generalized Attention
• GCNet
• 混合精度训练 (FP16)
• InstaBoost
• GRoIE
• DetectoRS
• Generalized Focal Loss

安装

请参阅 install.md 了解安装和数据集准备的相关信息。

开始使用

定向模型的训练与测试

如果您想训练或测试一个定向模型，请参考 oriented_model_starting.md。

如何使用 MMDetection

如果您不熟悉 MMDetection，请参阅 getting_started.md，了解 MMDetection 的基本用法。此外，还有关于 微调模型、添加新数据集、设计数据流水线 和 添加新模块 的教程。

致谢

我们在开发 OBBDetection 时参考了 S2ANet 和 AerialDetection。

本工具箱基于 MMdetection 修改而成。如果您在研究中使用了本工具箱或其基准测试，请引用以下信息：

@article{mmdetection,
  title   = {{MMDetection}: Open MMLab Detection Toolbox and Benchmark},
  author  = {Chen, Kai and Wang, Jiaqi and Pang, Jiangmiao and Cao, Yuhang and
             Xiong, Yu and Li, Xiaoxiao and Sun, Shuyang and Feng, Wansen and
             Liu, Ziwei and Xu, Jiarui and Zhang, Zheng and Cheng, Dazhi and
             Zhu, Chenchen and Cheng, Tianheng and Zhao, Qijie and Li, Buyu and
             Lu, Xin and Zhu, Rui and Wu, Yue and Dai, Jifeng and Wang, Jingdong
             and Shi, Jianping and Ouyang, Wanli and Loy, Chen Change and Lin, Dahua},
  journal = {arXiv preprint arXiv:1906.07155},
  year={2019}
}

这是 Oriented R-CNN 的官方实现。如果在您的研究中使用了它，请引用以下信息：

@InProceedings{Xie_2021_ICCV,
  author = {Xie, Xingxing and Cheng, Gong and Wang, Jiabao and Yao, Xiwen and Han, Junwei},
  title = {Oriented R-CNN for Object Detection},
  booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
  month = {October},
  year = {2021},
  pages = {3520-3529} }

@ARTICLE{orcnn_beyond,
  author={Xie, Xingxing and Cheng, Gong and Wang, Jiabao and Li, Ke and Han, Junwei},
  journal={International Journal of Computer Vision}, 
  title={Oriented R-CNN and Beyond}, 
  year={2024},
  pages={1-23},
  doi={https://doi.org/10.1007/s11263-024-01989-w}
}

OBBDetection 快速上手指南

OBBDetection 是一个基于 MMDetection v2.2 修改的旋转目标检测工具箱，支持水平框（HBB）、旋转框（OBB）和四点框（POLY）等多种表示形式，内置了 RoI Transformer、Gliding Vertex、Oriented R-CNN 等主流旋转检测算法。

环境准备

在开始之前，请确保满足以下系统要求和依赖：

• 操作系统: Linux (推荐 Ubuntu 18.04+)
• Python: 3.7+
• PyTorch: 1.6+ (需与 CUDA 版本匹配)
• CUDA: 9.2+ (根据显卡驱动选择)
• 核心依赖:
  • mmcv-full (注意：本项目已不再支持旧版 mmcv-0.6.2)
  • BboxToolkit (本项目重度依赖此库进行旋转框运算)

国内加速建议：安装 PyTorch 和 mmcv 时，建议使用清华源或阿里源以加快下载速度。

安装步骤

1. 创建虚拟环境并安装 PyTorch

推荐使用 conda 管理环境。以下命令使用清华源安装 PyTorch（请根据实际 CUDA 版本调整 cudatoolkit 版本号）：

conda create -n obbdet python=3.8 -y
conda activate obbdet
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

2. 安装 MMCV-Full

OBBDetection 依赖 mmcv-full。建议使用 OpenMMLab 提供的国内镜像源安装预编译包，避免源码编译耗时：

pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu118/torch1.12/index.html
# 注意：请将上述链接中的 cu118/torch1.12 替换为你实际的 CUDA 和 PyTorch 版本

3. 安装 BboxToolkit

由于 OBBDetection 强依赖 BboxToolkit 处理旋转框操作，需先安装该库：

git clone https://github.com/jbwang1997/BboxToolkit.git
cd BboxToolkit
pip install -r requirements.txt
python setup.py develop
cd ..

4. 安装 OBBDetection

克隆本仓库并以开发模式安装：

git clone https://github.com/jbwang1997/OBBDetection.git
cd OBBDetection
pip install -v -e .

基本使用

安装完成后，你可以直接使用配置文件进行模型训练或测试。以下是最简单的推理示例，使用预训练的 Oriented R-CNN 模型对图片进行检测。

单张图片推理

假设你有一张名为 demo.jpg 的图片，且已下载好对应的配置文件和权重文件（可从 Model Zoo 获取）。

python demo/image_demo.py demo.jpg configs/obb/oriented_rcnn/oriented_rcnn_r50_fpn_1x_dota_le90.py oriented_rcnn_r50_fpn_1x_dota_le90.pth --out-file result.jpg

• demo.jpg: 输入图片路径。
• configs/...: 模型配置文件路径。
• oriented_rcnn_...pth: 模型权重文件路径。
• --out-file: 输出结果图片的保存路径。

训练模型

若需从头训练或使用自定义数据集，请使用以下命令（以单卡训练为例）：

python tools/train.py configs/obb/oriented_rcnn/oriented_rcnn_r50_fpn_1x_dota_le90.py --work-dir work_dirs/oriented_rcnn

若使用多卡训练（例如 8 张卡）：

./tools/dist_train.sh configs/obb/oriented_rcnn/oriented_rcnn_r50_fpn_1x_dota_le90.py 8

提示：更多高级用法（如微调模型、添加新数据集、设计数据流水线等）请参考官方文档 docs/getting_started.md 及 docs/tutorials/ 目录下的教程。