188、YOLOv8改进实战：遥感图像旋转框检测——解耦旋转检测头与角度回归损失设计从一次失败的遥感检测项目说起去年接了个卫星图像船舶检测的项目，甲方要求检测任意朝向的船只。我第一反应是直接用YOLOv8，心想这玩意儿在COCO上跑得飞起，换个数据集应该问题不大。结果一跑，好家伙，密集停靠的船只几乎全漏检，水平框把相邻船只框在一起，NMS一过直接干掉一半。更离谱的是，有些细长船只的预测框角度偏了30度，IOU直接掉到0.1以下。那段时间我反复调参、换骨干、加注意力，效果始终上不去。后来才意识到，问题出在检测头的设计上——YOLOv8的检测头天生是为水平框设计的，它压根没有角度回归的概念。你让一个不会游泳的人去救溺水者，再好的泳池也没用。旋转框检测的核心痛点遥感图像里的目标，比如飞机、船舶、储油罐，它们的长宽比往往很大，而且朝向任意。水平框在这种场景下有两个致命问题：第一个是框的冗余度爆炸。一个长宽比1:5的船只，水平框里超过80%的区域是背景，特征提取器被迫去学习"背景+目标"的混合特征，这直接导致分类置信度虚高但定位不准。第二个是NMS的灾难性误杀。密集排列的船只，它们的水平框大面积重叠，NMS阈值设高了漏检，设低了误杀。我见过最夸张的情况，一个码头停了20艘船，NMS之后只剩7个框。旋转框检测的思路很直接：给每个预测框增加一个角度参数θ，让框能旋转贴合目标。但问题在于，角度回归的难度远高于坐标回归——角度是周期性的，0度和179度在数值上
188、YOLOv8改进实战：遥感图像旋转框检测——解耦旋转检测头与角度回归损失设计从一次失败的遥感检测项目说起去年接了个卫星图像船舶检测的项目，甲方要求检测任意朝向的船只。我第一反应是直接用YOLOv8，心想这玩意儿在COCO上跑得飞起，换个数据集应该问题不大。结果一跑，好家伙，密集停靠的船只几乎全漏检，水平框把相邻船只框在一起，NMS一过直接干掉一半。更离谱的是，有些细长船只的预测框角度偏了30度，IOU直接掉到0.1以下。那段时间我反复调参、换骨干、加注意力，效果始终上不去。后来才意识到，问题出在检测头的设计上——YOLOv8的检测头天生是为水平框设计的，它压根没有角度回归的概念。你让一个不会游泳的人去救溺水者，再好的泳池也没用。旋转框检测的核心痛点遥感图像里的目标，比如飞机、船舶、储油罐，它们的长宽比往往很大，而且朝向任意。水平框在这种场景下有两个致命问题：第一个是框的冗余度爆炸。一个长宽比1:5的船只，水平框里超过80%的区域是背景，特征提取器被迫去学习"背景+目标"的混合特征，这直接导致分类置信度虚高但定位不准。第二个是NMS的灾难性误杀。密集排列的船只，它们的水平框大面积重叠，NMS阈值设高了漏检，设低了误杀。我见过最夸张的情况，一个码头停了20艘船，NMS之后只剩7个框。旋转框检测的思路很直接：给每个预测框增加一个角度参数θ，让框能旋转贴合目标。但问题在于，角度回归的难度远高于坐标回归——角度是周期性的，0度和179度在数值上
)
