开篇：为什么旋转目标检测这么难？
大家好，我是老张，做目标检测也有五六年了。最近在做一个无人机航拍项目，遇到了一个特别头疼的问题——普通YOLO检测器对旋转目标的检测效果实在太差。比如停车场里的汽车，方向各异；仓库里的货物箱子，摆放角度乱七八糟；还有遥感图像里的船舶，什么角度都有。普通水平框（HBB）把这些目标框进去，往往会包含大量背景噪声，甚至导致目标重叠时漏检严重。
我先给大家看个例子。一辆斜着停的车，用水平框去框，可能会把旁边的空地也框进去，或者两辆相邻但角度不同的车，水平框直接糊在一起。这种情况下，水平框的IoU计算方式完全不靠谱。
所以行业内开始用旋转目标检测（OBB），也就是带角度的框。但问题来了——传统的损失函数比如CIoU、DIoU，在设计时压根没考虑角度信息。你让模型去回归一个旋转框，它会怎么做？坐标、宽高、角度五个参数独立回归，角度稍微偏一点，IoU可能直接崩盘。
直到去年我看到一篇论文提出了SIoU（SCYLLA-IoU），这个损失函数有意思，它把角度感知引入进去了。后来我就在想：能不能把SIoU的角度感知特性迁移到旋转框检测中？这个想法折腾了我两个月，终于在YOLOv10上搞定了，效果提升非常明显。今天我把整个改进方案完整分享出来，代码全部开源，数据集也给大家推荐几个。
目录
开篇：为什么旋转目标检测这么难？
先搞清楚：YOLOv10的旋转检测到底缺什么？
SIoU角度感知原理：不跟你绕弯子，直接讲人话
怎么把这个损失塞进YOLOv10？我踩过的坑都在这了
数据集推荐：别再用COCO练旋转检测了
1. DOTA-v2.0（首选，我用它做的实验）
2. HRSC2016（舰船检测专用）
3. UCAS-AOD（飞机和汽车）
4. 自己标注（当现有数据集不够用时）
实验结果：到底提升了多少？
实验配置
对比结果
消融实验
训练过程中的坑和解决方案
坑1：训练初期loss不降
坑2：角度周期性导致梯度爆炸
坑3：宽高比大的目标训练不稳定
部署需要注意什么？
1. ONNX导出时的问题
2. TensorRT加速推理
3. 移动端部署
完整代码获取和更多实验
快速开始
参数调优建议
在自定义数据集上训练
总结与展望
先搞清楚：YOLOv10的旋转检测到底缺什么？
YOLOv10本身很强，我测试过它的水平框检测，速度比v8快不少，精度也略有提升。但它原生的旋转检测支持比较弱。官方代码里有一个yolov10-obb分支，不过我去扒了源码，发现它用的还是传统的PolygonIoU损失或者简单的RotatedIoU损失。
这些损失函数有什么问题？我直接说结论：
没有角度对齐惩罚：传统RotatedIoU只关注两个旋转框重叠区域的面积比，如果两个框完全重合但角度相差180度，RotatedIoU居然算出来是1.0？这合理吗？显然不合理，因为角度180度意味着车头朝向完全反了。
宽高比变化敏感：细长物体（比如桥梁、管道、飞机）对角度特别敏感。RotatedIoU在宽高比大的情况下，角度偏差1度可能让IoU掉20%以上，但损失函数对这种非线性变化缺乏适应性。
收敛速度慢：我做过对比实验，用RotatedIoU Loss训练旋转目标检测，前50个epoch loss下降非常缓慢，尤其是角度参数经常卡在局部最优
