yolo val obb data=DOTAv1.yaml device=0 split=test
وإرسال النتائج المدمجة إلى تقييم دوتا.yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
Train YOLO11n-obb on the DOTA8 dataset for 100 epochs at image size 640. For a full list of available arguments see the Configuration page.
مثل
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-obb.yaml") # build a new model from YAML
model = YOLO("yolo11n-obb.pt") # load a pretrained model (recommended for training)
model = YOLO("yolo11n-obb.yaml").load("yolo11n.pt") # build from YAML and transfer weights
# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo obb train data=dota8.yaml model=yolo11n-obb.yaml epochs=100 imgsz=640
# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolo11n-obb.pt epochs=100 imgsz=640
# Build a new model from YAML, transfer pretrained weights to it and start training
yolo obb train data=dota8.yaml model=yolo11n-obb.yaml pretrained=yolo11n-obb.pt epochs=100 imgsz=640
شاهد: How to Train Ultralytics YOLO-OBB (Oriented Bounding Boxes) Models on DOTA Dataset using Ultralytics HUB
يمكن العثور على تنسيق مجموعة بيانات OBB بالتفصيل في دليل مجموعة البيانات.
Validate trained YOLO11n-obb model accuracy on the DOTA8 dataset. No arguments are needed as the model
تحتفظ بتدريبها data
والحجج كسمات نموذجية.
مثل
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-obb.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom model
# Validate the model
metrics = model.val(data="dota8.yaml") # no arguments needed, dataset and settings remembered
metrics.box.map # map50-95(B)
metrics.box.map50 # map50(B)
metrics.box.map75 # map75(B)
metrics.box.maps # a list contains map50-95(B) of each category
Use a trained YOLO11n-obb model to run predictions on images.
مثل
شاهد: How to Detect and Track Storage Tanks using Ultralytics YOLO-OBB | Oriented Bounding Boxes | DOTA
شاهد التفاصيل predict
تفاصيل الوضع في تنبأ صفحة.
Export a YOLO11n-obb model to a different format like ONNX, CoreML, etc.
مثل
Available YOLO11-obb export formats are in the table below. You can export to any format using the format
الحجة ، أي format='onnx'
أو format='engine'
. يمكنك التنبؤ أو التحقق من صحة النماذج المصدرة مباشرة، أي yolo predict model=yolo11n-obb.onnx
. يتم عرض أمثلة الاستخدام للطراز الخاص بك بعد اكتمال التصدير.
تنسيق | format جدال | نموذج | البيانات الوصفية | الحجج |
---|---|---|---|---|
PyTorch | - | yolo11n-obb.pt | ✅ | - |
TorchScript | torchscript | yolo11n-obb.torchscript | ✅ | imgsz , optimize , batch |
ONNX | onnx | yolo11n-obb.onnx | ✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino | yolo11n-obb_openvino_model/ | ✅ | imgsz , half , int8 , batch |
TensorRT | engine | yolo11n-obb.engine | ✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml | yolo11n-obb.mlpackage | ✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model | yolo11n-obb_saved_model/ | ✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb | yolo11n-obb.pb | ❌ | imgsz , batch |
TF لايت | tflite | yolo11n-obb.tflite | ✅ | imgsz , half , int8 , batch |
TF حافة TPU | edgetpu | yolo11n-obb_edgetpu.tflite | ✅ | imgsz |
TF.شبيبه | tfjs | yolo11n-obb_web_model/ | ✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle | yolo11n-obb_paddle_model/ | ✅ | imgsz , batch |
MNN | mnn | yolo11n-obb.mnn | ✅ | imgsz , batch , int8 , half |
NCNN | ncnn | yolo11n-obb_ncnn_model/ | ✅ | imgsz , half , batch |
شاهد التفاصيل export
التفاصيل في تصدير صفحة.
تتضمن المربعات المحددة الموجهة (OBB) زاوية إضافية لتحسين دقة تحديد موقع الجسم في الصور. على عكس المربعات المحددة العادية، والتي هي عبارة عن مستطيلات محاذاة للمحور، يمكن أن تدور المربعات المحددة الموجهة لتناسب اتجاه الكائن بشكل أفضل. وهذا مفيد بشكل خاص للتطبيقات التي تتطلب تحديد موضع الكائن بدقة، مثل الصور الجوية أو صور الأقمار الصناعية(دليل مجموعة البيانات).
To train a YOLO11n-obb model with a custom dataset, follow the example below using Python or CLI:
مثل
لمزيد من الوسائط التدريبية، راجع قسم التهيئة.
YOLO11-OBB models are pretrained on datasets like DOTAv1 but you can use any dataset formatted for OBB. Detailed information on OBB dataset formats can be found in the Dataset Guide.
Exporting a YOLO11-OBB model to ONNX format is straightforward using either Python or CLI:
مثل
لمزيد من تنسيقات التصدير والتفاصيل، راجع صفحة التصدير.
To validate a YOLO11n-obb model, you can use Python or CLI commands as shown below:
مثل
راجع تفاصيل التحقق الكاملة في قسم "فال".