كشف كائن المربعات المحيطة الموجهة
يذهب اكتشاف الكائنات الموجهة إلى أبعد من اكتشاف الكائن ويقدم زاوية إضافية لتحديد موقع الكائنات بشكل أكثر دقة في الصورة.
ناتج كاشف الكائن الموجه عبارة عن مجموعة من المربعات المحيطة التي تم تدويرها والتي تحيط بالضبط بالكائنات في الصورة ، جنبا إلى جنب مع تسميات الفئة ودرجات الثقة لكل مربع. يعد اكتشاف الكائن اختيارا جيدا عندما تحتاج إلى تحديد الأشياء ذات الأهمية في مشهد ما ، ولكن لا تحتاج إلى معرفة مكان الكائن بالضبط أو شكله الدقيق.
بقشيش
YOLOv8 تستخدم نماذج OBB -obb
لاحقة ، أي yolov8n-obb.pt
ويتم تدريبهم مسبقا على DOTAv1.
شاهد: الكشف عن الكائنات باستخدام Ultralytics YOLOv8 المربعات المحيطة الموجهة (YOLOv8-أوب) |
شاهد: الكشف عن الكائنات باستخدام YOLOv8-OBB باستخدام Ultralytics HUB |
عينات بصرية
كشف السفن باستخدام OBB | الكشف عن المركبات باستخدام OBB |
---|---|
نماذج
YOLOv8 يتم عرض نماذج OBB المدربة مسبقا هنا ، والتي يتم تدريبها مسبقا على مجموعة بيانات DOTAv1 .
يتم تنزيل الموديلات تلقائيا من الأحدث Ultralytics حرر عند الاستخدام الأول.
نموذج | حجم (بكسل) |
خريطةاختبر 50 |
سرعة وحده المعالجه المركزيه ONNX (مللي ثانية) |
سرعة أ 100 TensorRT (مللي ثانية) |
المعلمات (م) |
يتخبط (ب) |
---|---|---|---|---|---|---|
YOLOv8n-أوب | 1024 | 78.0 | 204.77 | 3.57 | 3.1 | 23.3 |
YOLOv8s-أوب | 1024 | 79.5 | 424.88 | 4.07 | 11.4 | 76.3 |
YOLOv8m-أوب | 1024 | 80.5 | 763.48 | 7.61 | 26.4 | 208.6 |
YOLOv8l-أوب | 1024 | 80.7 | 1278.42 | 11.83 | 44.5 | 433.8 |
YOLOv8x-أوب | 1024 | 81.36 | 1759.10 | 13.23 | 69.5 | 676.7 |
- اختبار mAP القيم لنموذج واحد متعدد المقاييس على اختبار DOTAv1 مجموعة البيانات.
إعادة إنتاج بواسطةyolo val obb data=DOTAv1.yaml device=0 split=test
وإرسال النتائج المدمجة إلى تقييم دوتا. - سرعة تم حساب متوسطها عبر صور DOTAv1 val باستخدام أمازون EC2 P4d مثيل.
إعادة إنتاج بواسطةyolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
قطار
قطار YOLOv8n-obb على dota8.yaml
مجموعة بيانات ل 100 حقبة بحجم الصورة 640. للحصول على قائمة كاملة بالوسيطات المتاحة ، راجع تكوين صفحة.
مثل
from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n-obb.yaml') # build a new model from YAML
model = YOLO('yolov8n-obb.pt') # load a pretrained model (recommended for training)
model = YOLO('yolov8n-obb.yaml').load('yolov8n.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=yolov8n-obb.yaml epochs=100 imgsz=640
# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolov8n-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=yolov8n-obb.yaml pretrained=yolov8n-obb.pt epochs=100 imgsz=640
تنسيق مجموعة البيانات
يمكن العثور على تنسيق مجموعة بيانات OBB بالتفصيل في دليل مجموعة البيانات.
فال
التحقق من صحة المدربين YOLOv8n-دقة نموذج obb على مجموعة بيانات DOTA8. لا حاجة لتمرير أي حجة على أنها model
تحتفظ بتدريبها data
والحجج كسمات نموذجية.
مثل
from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n-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
تنبأ
استخدم مدربا YOLOv8n-obb نموذج لتشغيل التنبؤات على الصور.
مثل
شاهد التفاصيل predict
تفاصيل الوضع في تنبأ صفحة.
تصدير
تصدير أ YOLOv8n-obb نموذج لتنسيق مختلف مثل ONNX, CoreMLالخ.
مثل
ترد تنسيقات التصدير المتاحة YOLOv8-obb في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام format
الحجة ، أي format='onnx'
أو format='engine'
. يمكنك التنبؤ أو التحقق من صحة النماذج المصدرة مباشرة، أي yolo predict model=yolov8n-obb.onnx
. يتم عرض أمثلة الاستخدام للطراز الخاص بك بعد اكتمال التصدير.
تنسيق | format جدال |
نموذج | البيانات الوصفية | الحجج |
---|---|---|---|---|
PyTorch | - | yolov8n-obb.pt |
✅ | - |
TorchScript | torchscript |
yolov8n-obb.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolov8n-obb.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n-obb_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n-obb.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolov8n-obb.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n-obb_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n-obb.pb |
❌ | imgsz , batch |
TF لايت | tflite |
yolov8n-obb.tflite |
✅ | imgsz , half , int8 , batch |
TF حافة TPU | edgetpu |
yolov8n-obb_edgetpu.tflite |
✅ | imgsz , batch |
TF.شبيبه | tfjs |
yolov8n-obb_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n-obb_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n-obb_ncnn_model/ |
✅ | imgsz , half , batch |
شاهد التفاصيل export
التفاصيل في تصدير صفحة.
تم الإنشاء 2024-01-05، تم التحديث 2024-05-08
المؤلفون: برهان-ق (3)، جلين-جوشيه (16)، الضحك-ق (3)، أيوش إكسل (1)