【YOLO目标检测全栈实战】24 旋转目标检测：让YOLO学会“歪着头”看世界

去年秋天，我帮一家智慧停车公司优化他们的无人机巡检系统。客户反馈说：“你们模型在正拍场景下检测车辆AP有92%，但无人机一斜着飞，AP直接掉到67%。”

我打开他们标注的数据一看——所有车辆都用水平框框着，但航拍图里车都是歪的，水平框里塞进了大量背景，模型根本分不清哪是车头哪是车尾。

这不是模型能力问题，是目标表示方式出了问题。常规YOLO用水平矩形框(x, y, w, h)描述目标，但遇到旋转场景——航拍、工业质检、文字检测——水平框会框进大量无效背景，导致正负样本混淆。

今天我就带你解决这个痛点：如何让YOLO学会输出旋转框(x, y, w, h, angle)，真正“歪着头”看世界。

痛点拆解：旋转目标检测的三大坑

坑1：用水平框损失函数训练旋转框

很多新手会直接改输出通道数，把YOLO的最后一层从4改为5（加一个角度），然后用SmoothL1Loss训角度。

结果模型根本不收敛——因为角度是循环量，0°和359°只差1°，但L1损失却算成358°。

反例代码（错误实现）：

# 错误：直接用L1损失训练角度classWrongRotatedHead