Aktuelle State-of-the-Art-Zweistufige Detektoren generieren orientierte Vorschläge mittels zeitaufwändiger Verfahren, was die Detektorgeschwindigkeit verringert und somit zur rechnerischen Engstelle in fortgeschrittenen Systemen zur orientierten Objekterkennung wird. In dieser Arbeit wird ein effektives und einfaches Framework für die orientierte Objekterkennung vorgestellt, das als Oriented R-CNN bezeichnet wird. Es handelt sich um einen allgemeinen zweistufigen Detektor für orientierte Objekte, der sowohl hervorragende Genauigkeit als auch hohe Effizienz aufweist. Genauer gesagt schlagen wir im ersten Stadium einen orientierten Region Proposal Network (orientierter RPN) vor, der hochwertige orientierte Vorschläge nahezu kostengünstig direkt generiert. Im zweiten Stadium dient der orientierte R-CNN-Kopf zur Verfeinerung der orientierten Regionen von Interesse (orientierte RoIs) und deren Erkennung. Ohne zusätzliche Tricks erreicht Oriented R-CNN mit ResNet50 auf zwei gängigen Datensätzen für die orientierte Objekterkennung, nämlich DOTA (75,87 % mAP) und HRSC2016 (96,50 % mAP), state-of-the-art Ergebnisse, während gleichzeitig eine Geschwindigkeit von 15,1 FPS bei einer Bildgröße von 1024×1024 auf einer einzigen RTX 2080Ti erreicht wird. Wir hoffen, dass unsere Arbeit die Neubewertung der Gestaltung von orientierten Detektoren anregt und als Baseline für die orientierte Objekterkennung dienen kann. Der Quellcode ist unter https://github.com/jbwang1997/OBBDetection verfügbar.