اكتشاف مربعات الإحاطة الموجّهة باستخدام Ultralytics YOLO#

يتجاوز اكتشاف الكائنات الموجّه خطوةً إضافيةً مقارنةً باكتشاف الكائنات القياسي، إذ يضيف زاويةً لتحديد مواقع الكائنات في الصورة بدقة أكبر.

تتمثل مخرجات كاشف الكائنات الموجّه في مجموعة من مربعات الإحاطة المستديرة التي تحيط بدقة بالكائنات في الصورة، إلى جانب تسميات الفئات ودرجات الثقة لكل مربع. وتفيد مربعات الإحاطة الموجّهة خصوصًا عندما تظهر الكائنات بزوايا مختلفة، مثل الصور الجوية، حيث قد تتضمن مربعات الإحاطة التقليدية المحاذية للمحاور خلفية غير ضرورية. ومن الاستخدامات الشائعة اكتشاف السفن والمركبات من الأقمار الصناعية والطائرات المسيّرة، وتحليل المباني والبنية التحتية للتخطيط الحضري، ومراقبة المحاصيل، وفحص الألواح الشمسية أو توربينات الرياح.

اكتشاف السفن باستخدام OBB	اكتشاف المركبات باستخدام OBB

النماذج#

تظهر أدناه نماذج YOLO26 OBB المدرّبة مسبقًا على مجموعة بيانات DOTAv1.

تُنزّل النماذج تلقائيًا من أحدث إصدار من Ultralytics عند استخدامها لأول مرة.

• قيم mAP^test محسوبة لنموذج واحد وبمقاييس متعددة على مجموعة بيانات DOTAv1.
  أعِد إنتاج النتائج باستخدام yolo obb val data=DOTAv1.yaml device=0 split=test nms=False وقدّم النتائج المدمجة إلى تقييم DOTA.
• السرعة هي متوسط الأداء على صور التحقق DOTAv1 باستخدام ONNX على CPU وTensorRT10 على وحدة معالجة الرسوميات NVIDIA T4.
  أعِد إنتاج النتائج باستخدام yolo obb val data=DOTAv1.yaml batch=1 device=0|cpu nms=False
• قيم المعلمات وFLOPs خاصة بالنماذج المدمجة بعد طي Conv/BatchNorm وإزالة فرع الاكتشاف غير المستخدم. تحتفظ نقاط التحقق المدرّبة مسبقًا ببنية التدريب الكاملة، وقد تُظهر أعدادًا أعلى.

اطّلع على معاينة YOLO27 غير المُصدرة لمعرفة النتائج الأولية لـ DOTAv1.

التدريب#

درّب YOLO26n-obb على مجموعة بيانات DOTA8 لمدة 100 حقبة وبحجم صورة 640. للاطلاع على القائمة الكاملة بالوسيطات المتاحة، راجع صفحة الإعدادات.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-obb.yaml")  # ⁨إنشاء نموذج جديد من YAML⁩
model = YOLO("yolo26n-obb.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩
model = YOLO("yolo26n-obb.yaml").load("yolo26n-obb.pt")  # ⁨الإنشاء من YAML ونقل الأوزان⁩

# ⁨تدريب النموذج⁩
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

راجع التفاصيل الكاملة لوضع train في صفحة التدريب. ويمكن أيضًا تدريب نماذج OBB باستخدام التدريب السحابي على منصة Ultralytics.

تنسيق مجموعة البيانات#

للاطلاع على التفاصيل المتعلقة بتنسيق مجموعة بيانات OBB، راجع دليل مجموعة البيانات. يحدد تنسيق YOLO OBB مربعات الإحاطة بنقاط زواياها الأربع، مع تطبيع الإحداثيات بين 0 و1، وفق البنية التالية. وتدعم التعليقات التوضيحية على منصة Ultralytics تسميات OBB باستخدام أداة مخصصة لرسم مربعات الإحاطة الموجّهة:

class_index x1 y1 x2 y2 x3 y3 x4 y4

يعالج YOLO الخسائر والمخرجات داخليًا بتنسيق xywhr، الذي يمثل مركز مربع الإحاطة (xy) وعرضه وارتفاعه ودورانه.

التحقق#

تحقّق من دقة نموذج YOLO26n-obb المدرَّب على مجموعة بيانات DOTA8. مرّر data صراحةً لكي يستخدم التحقق من الصحة ملف YAML لمجموعة البيانات المقصودة.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-obb.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨تحقّق من النموذج⁩
metrics = model.val(data="dota8.yaml")  # ⁨تحقّق من الصحة على مجموعة بيانات DOTA8⁩
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # ⁨قائمة تحتوي على mAP50-95(B) لكل فئة⁩
metrics.box.image_metrics  # ⁨قاموس المقاييس لكل صورة، ويشمل precision وrecall وF1 وTP وFP وFN⁩

التنبؤ#

استخدم نموذج YOLO26n-obb مدرَّبًا لإجراء تنبؤات على الصور.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-obb.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨أجرِ التنبؤ باستخدام النموذج⁩
results = model("https://ultralytics.com/images/boats.jpg")  # ⁨أجرِ التنبؤ على صورة⁩

# ⁨الوصول إلى النتائج⁩
for result in results:
    xywhr = result.obb.xywhr  # ⁨المركز-x، المركز-y، العرض، الارتفاع، الزاوية (بالراديان)⁩
    xyxyxyxy = result.obb.xyxyxyxy  # ⁨تنسيق مضلع بأربع نقاط⁩
    names = [result.names[cls.item()] for cls in result.obb.cls.int()]  # ⁨اسم فئة كل مربع⁩
    confs = result.obb.conf  # ⁨درجة الثقة لكل مربع⁩

اطّلع على التفاصيل الكاملة لوضع predict في صفحة التنبؤ.

مرّر save_crop=True لحفظ قصاصة محاذاة للدوران لكل OBB بحجم صندوقه، كما يفعل ObjectCropper أيضًا.

مخرجات النتائج#

يعيد اكتشاف مربعات الإحاطة الموجّهة كائن Results واحدًا لكل صورة. حقل التنبؤ الأساسي هو result.obb، ويحتوي على المربعات المستديرة ومعرّفات الفئات ودرجات الثقة لكل كائن مكتشف.

تُوحَّد التسميات وفق اصطلاح الضلع الأطول، أما التنبؤات فلا تُوحَّد بهذه الطريقة، لذا قد يشير result.obb.xywhr إلى أن w أصغر من h، مع قياس الدوران انطلاقًا من الضلع الأقصر. تصف الصيغتان المستطيل نفسه، لذا فإن result.obb.xyxyxyxy صحيح في كلتا الحالتين. أعد تحويل الزوايا عند الحاجة إلى صيغة الضلع الأطول في الشيفرة اللاحقة، مع مراعاة أن إعادة كتابة معلمات المربع قد تؤدي إلى إزاحة ترتيب الزوايا دوريًا:

from ultralytics.utils.ops import xyxyxyxy2xywhr

xywhr = xyxyxyxy2xywhr(result.obb.xyxyxyxy)  # ⁨w >= h، والدوران في [-pi/4, 3pi/4)⁩

للاطلاع على حقول Results الخاصة بكل مهمة، راجع قسم نتائج التنبؤ حسب المهمة.

التصدير#

صدّر نموذج YOLO26n-obb إلى تنسيق آخر مثل ONNX أو CoreML وغيرها.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-obb.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨صدّر النموذج⁩
model.export(format="onnx")

تتوفر تنسيقات تصدير YOLO26-obb في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام الوسيطة format، أي format='onnx' أو format='engine'. يمكنك التنبؤ باستخدام النماذج المُصدَّرة أو التحقق من صحتها مباشرةً، أي yolo predict model=yolo26n-obb.onnx. تُعرض أمثلة الاستخدام الخاصة بنموذجك بعد اكتمال التصدير.

يعتمد nms=None على المخرجات الأولية لإجراء NMS خارجي. اضبط nms=False لتحديد رأس متاح خالٍ من NMS؛ وتعود التنسيقات غير المدعومة إلى مسار المخرجات الأصلي الخاص بها. تحدد إدخالات nms أعلاه التنسيقات التي يمكنها تضمين NMS باستخدام nms=True.

اطّلع على التفاصيل الكاملة لـexport في صفحة التصدير.

الأسئلة الشائعة#