Label Studio中旋转边界框转YOLO格式的正确处理方法
在计算机视觉标注任务中,旋转边界框(Rotated Bounding Box)是一种比普通矩形框更精确的标注方式,特别适用于处理倾斜或旋转的目标物体。Label Studio作为一款流行的数据标注工具,支持旋转边界框的标注和导出,但在转换为YOLO格式时需要注意一些技术细节。
旋转边界框与YOLO格式的差异
旋转边界框通常包含五个参数:中心点坐标(x,y)、宽度(w)、高度(h)和旋转角度(θ)。而标准YOLO格式仅支持普通矩形框,使用四个参数:中心点坐标(x,y)、宽度(w)和高度(h),不包含旋转信息。
Label Studio中的导出选项
Label Studio从1.16版本开始提供了专门的YOLO OBB(YOLO Oriented Bounding Box)导出格式,这是处理旋转边界框的正确方式。YOLO OBB格式扩展了标准YOLO格式,增加了旋转角度的支持,可以完整保留旋转边界框的所有信息。
使用YOLO OBB格式的步骤
-
确认软件版本:确保使用Label Studio 1.16或更高版本,以及最新版的Label Studio SDK和转换工具。
-
标注数据:在Label Studio中使用旋转矩形工具进行标注,正确设置旋转角度。
-
导出数据:在Label Studio界面中选择"导出"功能,然后选择"YOLO OBB"格式进行导出。
-
模型训练:使用支持OBB的YOLO实现(如Ultralytics YOLO的最新版本)进行模型训练。
技术实现原理
当从Label Studio导出YOLO OBB格式时,系统会自动将旋转边界框的五个参数转换为YOLO OBB兼容的格式。转换过程中会保持原始几何信息不变,包括:
- 中心点坐标归一化到[0,1]范围
- 宽度和高度相对于图像尺寸的比例
- 旋转角度(通常以弧度表示)
常见问题解决方案
如果遇到旋转信息丢失的情况,可以检查以下方面:
- 确认使用了正确的导出格式(YOLO OBB而非标准YOLO)
- 验证使用的YOLO实现是否支持旋转边界框
- 检查标注时是否正确设置了旋转角度
通过正确使用YOLO OBB格式,可以充分利用旋转边界框提供的精确几何信息,提高模型对旋转目标的检测能力,特别适用于航拍图像、文档分析等包含大量倾斜目标的场景。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00