# 2025电赛c题重叠正方形yolo-obb解决方案

**Repository Path**: levijia/yolo_obb_rect

## Basic Information

- **Project Name**: 2025电赛c题重叠正方形yolo-obb解决方案
- **Description**: 如题，使用opencv生成模拟重叠图像作为数据集
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-09-01
- **Last Updated**: 2025-09-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 2025电赛C题重叠正方形YOLO-OBB解决方案

## 项目简介

本项目是针对2025年全国大学生电子设计竞赛C题（重叠正方形检测）的YOLO-OBB（Oriented Bounding Box）解决方案。使用YOLO11训练了专门用于检测重叠正方形的旋转目标检测模型。

## 项目结构

```
number28/
├── models/               # maixcam模型文件（可直接部署到maixcam）
├── weights/              # 训练好的模型权重
├── args.yaml             # 训练参数配置
├── results.csv           # 训练结果数据
├── *.png                 # 训练过程可视化图表
├── *.jpg                 # 训练样本可视化
└── README.md             # 项目说明文档
```

## 模型信息

- **基础模型**: YOLO11n-obb (YOLO11 nano版本，支持旋转框检测)
- **输入尺寸**: 320×320像素
- **训练轮次**: 300 epochs
- **优化器**: SGD
- **批量大小**: 16
- **学习率**: 0.01 (初始)

## 训练配置

### 数据增强
- 旋转增强: ±80度
- 缩放: 0.5-1.5倍
- 平移: 10%图像尺寸
- 水平翻转: 50%概率
- Mosaic增强: 启用
- Copy-Paste: 30%概率

### 超参数
- IoU阈值: 0.7
- 置信度阈值: 0.25
- NMS阈值: 0.7
- 类别损失权重: 0.5
- 框回归损失权重: 7.5
- DFL损失权重: 1.5

## 性能指标
![输入图片说明](BoxF1_curve.png)
![输入图片说明](val_batch1_labels.jpg)
基于训练结果，模型在验证集上表现如下：

- **mAP50**: 查看results.csv中的metrics/mAP50(B)
- **mAP50-95**: 查看results.csv中的metrics/mAP50-95(B)
- **Precision**: 查看BoxP_curve.png
- **Recall**: 查看BoxR_curve.png
- **F1-Score**: 查看BoxF1_curve.png

## 使用方法（电脑验证）

### 1. 环境准备
```bash
pip install ultralytics>=8.0.0
pip install torch torchvision
```

### 2. 模型推理
```python
from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('weights/best.pt')

# 进行预测
results = model('path/to/image.jpg')

# 获取旋转框结果
for r in results:
    obb = r.obb  # 旋转框对象
    if obb is not None:
        boxes = obb.xyxyxyxy  # 四边形坐标
        conf = obb.conf       # 置信度
        cls = obb.cls         # 类别
```

### 3. 结果可视化
```python
# 绘制旋转框
res_plotted = results[0].plot()
import cv2
cv2.imshow('result', res_plotted)
cv2.waitKey(0)
```


## 训练过程可视化

- **混淆矩阵**: confusion_matrix.png / confusion_matrix_normalized.png
- **训练样本**: train_batch*.jpg
- **验证样本**: val_batch*.jpg
- **性能曲线**: BoxP_curve.png, BoxR_curve.png, BoxF1_curve.png, BoxPR_curve.png

## 注意事项

1. 模型针对320×320输入尺寸优化，推理时建议保持相同尺寸
2. 旋转框检测对角度变化敏感，建议在实际应用中增加适当的后处理
3. 对于重叠严重的正方形，可能需要调整NMS阈值以获得更好的检测效果

## 联系信息

如有问题或建议，欢迎提交Issue或Pull Request。