图像旋转检测常用直接回归角度值方法，即用CNN提取特征后接全连接层预测连续角度，需通过正余弦编码或分桶分类+回归微调解决角度周期性问题，并配合同步标签的旋转增强与平滑后处理。
直接回归角度值是最常用的方法
图像旋转检测本质是预测一张图相对于标准方向（比如正立）的偏转角度，通常范围是0°~360°或−180°~180°。最直观的做法是把问题当作**回归任务**：模型输出一个连续实数，代表预测角度。用CNN（如ResNet、EfficientNet）做特征提取，最后接全连接层+线性激活，损失函数选MSE或Smooth L1——简单有效，适合多数场景。
注意角度的周期性，避免“359°和1°差358°”这种错误
原始MSE会把359°和1°当成相差358°，但实际只差2°。解决办法有两个：
- 正余弦编码：不直接预测角度θ，而是预测sinθ和cosθ两个值。训练时用MSE算(sinθ, cosθ)的误差，推理时用atan2(pred_sin, pred_cos)还原角度（自动归到−180°~180°）；
- 分桶分类+回归微调：先将360°分成N个区间（如每10°一桶，共36类），用交叉熵训练分类头；再对每个桶内加一个回归分支，预测桶内偏移量（如+3.2°），提升精度。
数据增强要真实模拟旋转，但别破坏语义
训练前务必做带标签的旋转增强：对图像随机旋转α角，同时把原标签角度减去α（或加上，取决于定义方向）。例如原图标签是25°，你顺时针转10°，新标签就是15°。别用纯随机旋转再强行拟合——模型学不到物理对应关系。另外可叠加轻微缩放、平移、亮度扰动，但避免镜像翻转（会混淆左右，破坏角度一致性）。
验证和部署时记得后处理角度连续性
单张图预测可能抖动（比如连续帧输出23.1°、24.8°、22.9°），可用滑动平均或卡尔曼滤波平滑；批量预测时，如果发现大量结果集中在0°/360°附近，说明没处理好周期性，回头检查sin/cos解码逻辑。部署到移动端还要注意：用int8量化时，sin/cos值域是[−1,1]，需单独设置缩放因子，别跟其他层混用。
立即学习“Python免费学习笔记（深入）”；
基本上就这些。不复杂但容易忽略周期性和增强同步，调通这两个点，准确率就能上一个台阶。
