UCAS-AOD遥感旋转目标检测数据集——基于YOLOv8obb，map50已达96.7%

1.UCAS-AOD简介

1.1数据说明

遥感图像，又名高分辨率遥感图像。遥感图像的分类依据是根据成像的介质不同来进行分类的。UCAS-AOD (Zhu et al.，2015)用于飞机和汽车的检测，包含飞机与汽车2类样本以及一定数量的反例样本（背景），总共包含2420幅图像和14596个实例。论文中特别提到了目标检测的方向健壮性，所以在数据集标注过程中作者对数据进行了一定程度的筛选，使得图像中的物体方向分布均匀，数据集具体内容如下：

内容	飞机图像	飞机实例	汽车图像	汽车实例	反例图像
数量	1000	7482	510	7114	910

数据集中目标为航拍图像下的飞机和车辆，使用Google Earth软件在全球部分区域中截取的图像。

1.2数据格式

数据集分为CAR、PLANE、NEG三个文件，CAR、PLANE为正例图像，NEG为反例图像。正例图像以P+数字序号命名，反例图像以N+数字序号命名，所有图像为PNG格式，尺寸为1280x659和1372x941。UCAS-AOD采用HBB（horizontal bounding box）的标注方法，图像的groundtruth采用txt格式保存，以图像的同名文档方式存储。对于整理好的txt文档数据，每列的属性如下：

x1,y1,x2,y2,x3,y3,x4,y4,theta,x,y, width,height

其中，x1,y1,x2,y2,x3,y3,x4,y4为旋转矩形框四个顶点，theta为倾斜角。

2.UCAS-AOD数据处理

2.1处理成如下格式

x1 y1 x2 y2 x3 y3 x4 y4 class class_index

​处理代码如下：

import os

# 输入和输出文件夹路径
input_folder_path = 'label'
output_folder_path = 'txt'

# 遍历labels文件夹下所有txt文件
for filename in os.listdir(input_folder_path):
    if filename.endswith('.txt'):
        input_file_path = os.path.join(input_folder_path, filename)
        output_file_path = os.path.join(output_folder_path, filename)

        # 打开原始文件并创建一个新文件用于写入修改后的数据
        with open(input_file_path, 'r') as input_file, open(output_file_path, 'w') as output_file:
            for line in input_file:
                # 在这里你可以对每一行的内容进行处理
                # 例如，将每一行的数据以制表符分割并转换为浮点数列表
                data = [float(value) for value in line.strip().split('\t')]

                # 仅保留每行数据的前8个数
                data = data[:8]

                # 将处理后的数据写入新文件
                output_line = '\t'.join(map(str, data)) + '\tPLANE' + '\t1\n'
                output_file.write(output_line)

        print(f"数据已保存到 {output_file_path}")

分别以CAR和PLANE为例，得到：

276.3971  91.25021  291.1375  38.23406  330.8891  49.28647  316.1486  102.3026  CAR  0
254.0147  168.3054  253.027  124.0611  314.917  122.6796  315.9046  166.9239  PLANE  1

2.2进行obb格式的转换

from ultralytics.data.converter import convert_dota_to_yolo_obb
convert_dota_to_yolo_obb('C:\myyolo\ultralytics-main\dataobb')
#关于dataobb文件下的目录可参考https://blog.csdn.net/qq_41301570/article/details/135540398

以上面CAR和PLANE为例，转换后的结果如下：

0 0.215935 0.138468 0.227451 0.0580183 0.258507 0.0747898 0.246991 0.155239
1 0.198449 0.255395 0.197677 0.188257 0.246029 0.18616 0.2468 0.253299

2.3进行训练

如果你不想浪费时间进行数据的处理，可私戳获取数据集​！！！

2.4进行验证

最后：

小编会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！