Oriented Bounding Boxes Object Detection
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
YOLO11 OBB models use the -obb
لاحقة ، أي yolo11n-obb.pt
ويتم تدريبهم مسبقا على DOTAv1.
شاهد: Object Detection using Ultralytics YOLO Oriented Bounding Boxes (YOLO-OBB)
عينات بصرية
كشف السفن باستخدام OBB | الكشف عن المركبات باستخدام OBB |
---|---|
نماذج
YOLO11 pretrained OBB models are shown here, which are pretrained on the DOTAv1 dataset.
يتم تنزيل الموديلات تلقائيا من الأحدث Ultralytics حرر عند الاستخدام الأول.
نموذج | حجم (بكسل) |
خريطةاختبر 50 |
السرعة CPU ONNX (مللي ثانية) |
Speed T4 TensorRT10 (ms) |
المعلمات (م) |
يتخبط (ب) |
---|---|---|---|---|---|---|
YOLO11n-obb | 1024 | 78.4 | 117.6 ± 0.8 | 4.4 ± 0.0 | 2.7 | 17.2 |
YOLO11s-obb | 1024 | 79.5 | 219.4 ± 4.0 | 5.1 ± 0.0 | 9.7 | 57.5 |
YOLO11m-obb | 1024 | 80.9 | 562.8 ± 2.9 | 10.1 ± 0.4 | 20.9 | 183.5 |
YOLO11l-obb | 1024 | 81.0 | 712.5 ± 5.0 | 13.5 ± 0.6 | 26.2 | 232.0 |
YOLO11x-obb | 1024 | 81.3 | 1408.6 ± 7.7 | 28.6 ± 1.0 | 58.8 | 520.2 |
- اختبار mAP القيم لنموذج واحد متعدد المقاييس على 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
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
تنسيق مجموعة البيانات
يمكن العثور على تنسيق مجموعة بيانات OBB بالتفصيل في دليل مجموعة البيانات.
فال
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
تنبأ
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.
تصدير
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 |
NCNN | ncnn |
yolo11n-obb_ncnn_model/ |
✅ | imgsz , half , batch |
شاهد التفاصيل export
التفاصيل في تصدير صفحة.
الأسئلة المتداولة
ما هي الصناديق المحدودة الموجهة (OBB) وكيف تختلف عن الصناديق المحدودة العادية؟
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).
How do I train a YOLO11n-obb model using a custom dataset?
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.
What datasets can I use for training YOLO11-OBB models?
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.
How can I export a YOLO11-OBB model to ONNX format?
Exporting a YOLO11-OBB model to ONNX format is straightforward using either Python or CLI:
مثل
لمزيد من تنسيقات التصدير والتفاصيل، راجع صفحة التصدير.
How do I validate the accuracy of a YOLO11n-obb model?
To validate a YOLO11n-obb model, you can use Python or CLI commands as shown below:
مثل
راجع تفاصيل التحقق الكاملة في قسم "فال".