如何用YOLOv6训练无人机航拍船舶obb数据集？原理！

你有没有觉得，现在的AI模型，越来越像一个黑箱？你把数据扔进去，它吐出后来啊，但你根本不知道它在想什么。YOLOv6， 这个“你只看一次”的模型，最近又更新了叫YOLO26，说是要解决无人机航拍图像中船舶的检测问题。听起来是不是很酷？其实吧，它就是个更聪明的YOLO，专门用来在天上飞的无人机上找船。我们今天就来聊聊， 怎么用它来训练一个无人机航拍图像的OBB数据集，顺便也说说它背后的原理，别看它高大上，其实也挺“烂”的，但烂得有理有据。

YOLOv6？不是YOLO26

麻了... 先说说这个YOLO26是啥玩意儿。它不是你想象中的YOLOv6，而是YOLO26，是2025年9月刚出的“新物种”。它干了啥？它把原来YOLOv8、 v11、v12、v13这些老家伙的“坏习惯”给改了比如那个叫DFL的模块，就是个被它给砍了的玩意儿。这玩意儿本来是想通过概率分布来优化边界框的，但太复杂，太慢，太难部署，太……鸡肋。所以YOLO26直接说：不玩了删了！

那它到底改了啥？

在理。 先说说它把那个“分布焦点损失”给干掉了。这玩意儿是YOLOv8这些老家伙的“祖传模块”， 但问题是它太占地方，太难搞，导出模型的时候还得专门处理，烦死了。所以YOLO26直接说：我们不搞这个了直接预测边界框，不带NMS！

接下来 它还加了个新玩意儿叫“端到端无NMS推理”，说白话就是不用你再手动调一堆参数，它自己就能搞定。这下子，部署到无人机上、机器人上、嵌入式设备上，都轻松多了。你想想，无人机在天上飞，哪有时间等你慢慢调参数，翻车了。？

再者， 它还搞了个新损失函数，叫ProgLoss，说白了就是“渐进损失平衡”，专门用来解决小目标检测的问题。你想想，无人机飞在天上，拍的都是小船、小岛、小鱼，这些小目标，本来就不好找，再加个遮挡，那不是更难？所以这个ProgLoss就是来解决这个问题的，让小目标也能被看见，我悟了。。

蚌埠住了... 还有个叫STAL的模块，全名叫“小目标感知标签分配”，专门用来给小目标打标签的。你要是搞过目标检测， 就知道小目标多难搞，尤其在航拍图里小目标经常被遮挡，或者像素太小，YOLO26就靠这个STAL来“点亮”这些小目标。

再说说 它还加了个新优化器叫MuSGD，是SGD和Muon的结合体，说白了就是“稳定又高效”，专门用来优化训练过程，让模型训练得更快、更稳。你想想，训练模型就像跑马拉松，MuSGD就是那个能让你跑得更快、不摔跤的“能量饮料”。

那我们怎么用它来训练一个无人机航拍船舶OBB数据集？

先说说你得有数据。无人机航拍图像，特别是船舶检测，数据是关键。你得准备一堆图像，然后标注好船舶的位置，角度，大小，方向，最好还能有OBB的格式。这玩意儿说起来简单，做起来难。你得先用标注工具把图像里的船框出来然后转成YOLO格式。这一步， 说白了就是“打标签”，但不是你手机上贴的那种，而是给图像里的目标打标签，告诉模型“这是船，那是水，那边还有只海鸥”。

大体上... 然后你得准备数据集。这一步最烦人，你得把数据整理成模型能读的格式，比如YOLO格式的txt文件。这玩意儿就像做菜，调料得放对，顺序不能错。你得把图像和标签文件放在一个文件夹里 然后写个YAML文件，告诉模型“这是训练集，这是验证集，这是测试集”。然后你再跑训练脚本， 比如：

from ultralytics import YOLO
if __name__ == '__main__':
    model = YOLO
    (data='data/ship_.yaml',
                cache=False,
                imgsz=640,
                epochs=200,
                batch=32,
                close_mosaic=10,
                workers=2,
                device='0',
                project='runs/train',
                name='exp')

我们都曾是... 你跑完这个脚本，模型就开始训练了。然后你就可以去喝杯咖啡，等它跑完。

训练后来啊可视化

训练完之后 你就能看到类似这样的后来啊：

YOLO26-obb summary : 132 layers, 2,446,602 parameters, 0 gradients, 5.4 GFLOPs
Class     Images  Instances      Box: 100% ━━━━━━━━━━━━ 11/11 3.8it/s 2.9s
all        343        338      0.717      0.657      0.756      0.449

不错。 这玩意儿就是告诉你，模型跑完了效果还不错。P是精确率，R是召回率，mAP50是50%的平均精度，mAP50-95是不同IoU阈值下的平均精度。你要是看不懂，就当是模型告诉你“我找到了船”。

模型结构框图

结构框图如下：

重复模块m :
┌─────────────────────────────────────────────────────────┐
│                                                         │
│  如果 attn=True:                                        │
│    Sequential(                                          │
│        Bottleneck,                     │  ←─ 先特征提取
│        PSABlock │  ←─ 后注意力增强
│    )                                                    │
│                                                         │
│  否则如果 c3k=True:                                     │
│    C3k                             │  ←─ 吃饭的家伙
│                                                         │
│  否则:                                                  │
│    Bottleneck                         │  ←─ 吃饭的家伙
│                                                         │
└─────────────────────────────────────────────────────────┘

这玩意儿就是个结构图，告诉你模型是怎么跑的。你可以把它理解为“模型的食谱”。

模型结构对比

模型版本	是否支持OBB	是否支持无NMS	是否支持小目标检测	是否支持
YOLOv8	是	否	是	否
YOLOv11	是	是	是	否
YOLO26	是	是	是	是

你看， YOLO26就是个“升级版”的YOLO，它把YOLOv8、v11、v12、v13这些老家伙的“坏习惯”都改了。比如它把NMS给砍了把DFL给删了把小目标检测给加强了。你说它是不是“烂”？但烂得有理有据，对吧？

摆烂。 再说说 我们来一下YOLO26的四大创新：

1. 移除DFL，简化模型结构，提高推理速度
2. 引入端到端无NMS推理，简化部署流程
3. 引入新损失函数策略，包括渐进损失平衡和小目标感知标签分配
4. 开发用于稳定高效收敛的MuSGD优化器

你看，这玩意儿是不是很“烂”？但烂得有理有据，对吧？