Erkennung orientierter Begrenzungsrahmen mit Ultralytics YOLO#

Die Erkennung orientierter Objekte geht über die herkömmliche Objekterkennung hinaus: Ein zusätzlicher Winkel ermöglicht es, Objekte in einem Bild genauer zu lokalisieren.

Ein Detektor für orientierte Objekte gibt eine Reihe gedrehter Begrenzungsrahmen aus, die die Objekte im Bild präzise umschließen, sowie Klassenbezeichnungen und Konfidenzwerte für jeden Rahmen. Orientierte Begrenzungsrahmen sind besonders nützlich, wenn Objekte in verschiedenen Winkeln erscheinen, etwa bei Luftaufnahmen, bei denen herkömmliche achsenparallele Begrenzungsrahmen unnötige Hintergrundbereiche einschließen können. Typische Anwendungen sind die Erkennung von Schiffen und Fahrzeugen anhand von Satelliten- und Drohnenaufnahmen, die Analyse von Gebäuden und Infrastruktur für die Stadtplanung, die Überwachung von Nutzpflanzen sowie die Inspektion von Solarmodulen und Windkraftanlagen.

Schiffserkennung mit OBB	Fahrzeugerkennung mit OBB

Modelle#

Die mit dem Datensatz DOTAv1 vortrainierten YOLO26-OBB-Modelle sind unten aufgeführt.

Modelle werden bei der ersten Verwendung automatisch aus der neuesten Ultralytics-Version heruntergeladen.

• Die Werte mAP^test gelten für ein einzelnes Modell mit mehreren Skalierungen auf dem Datensatz DOTAv1.
  Mit yolo obb val data=DOTAv1.yaml device=0 split=test nms=False reproduzieren und die zusammengeführten Ergebnisse bei der DOTA-Auswertung einreichen.
• Geschwindigkeit, gemittelt über DOTAv1-Validierungsbilder mit ONNX auf einer CPU und TensorRT10 auf einer NVIDIA T4 GPU.
  Mit yolo obb val data=DOTAv1.yaml batch=1 device=0|cpu nms=False reproduzieren
• Die Werte für Parameter und FLOPs gelten für zusammengeführte Modelle nach dem Zusammenführen von Conv/BatchNorm und dem Entfernen des ungenutzten Erkennungszweigs. Vortrainierte Prüfpunkte behalten die vollständige Trainingsarchitektur bei und können daher höhere Werte aufweisen.

Vorläufige DOTAv1-Ergebnisse findest du in der unveröffentlichten YOLO27-Vorschau.

Trainieren#

Trainiere YOLO26n-obb 100 Epochen lang mit einer Bildgröße von 640 auf dem DOTA8-Datensatz. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Konfiguration.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-obb.yaml")  # ein neues Modell aus YAML erstellen
model = YOLO("yolo26n-obb.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)
model = YOLO("yolo26n-obb.yaml").load("yolo26n-obb.pt")  # aus YAML erstellen und Gewichte übertragen

# Das Modell trainieren
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Ausführliche Informationen zum Modus train findest du auf der Seite Trainieren. OBB-Modelle lassen sich auch mit dem Cloud-Training der Ultralytics Platform trainieren.

Datensatzformat#

Ausführliche Informationen zum OBB-Datensatzformat findest du im Datensatzleitfaden. Das YOLO-OBB-Format beschreibt Begrenzungsrahmen anhand ihrer vier Eckpunkte mit auf Werte zwischen 0 und 1 normierten Koordinaten gemäß der folgenden Struktur. Die Annotation in der Ultralytics Platform unterstützt OBB-Labels mit einem speziellen Zeichenwerkzeug für orientierte Begrenzungsrahmen:

class_index x1 y1 x2 y2 x3 y3 x4 y4

Intern verarbeitet YOLO Verluste und Ausgaben im Format xywhr, das den Mittelpunkt (xy), die Breite, die Höhe und die Drehung des Begrenzungsrahmens darstellt.

Validieren#

Validiere die Genauigkeit eines trainierten YOLO26n-obb-Modells anhand des DOTA8-Datensatzes. Übergib ausdrücklich data, damit die Validierung die vorgesehene Datensatz-YAML-Datei verwendet.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-obb.pt")  # Ein offizielles Modell laden
model = YOLO("path/to/best.pt")  # Ein benutzerdefiniertes Modell laden

# Das Modell validieren
metrics = model.val(data="dota8.yaml")  # anhand des DOTA8-Datensatzes validieren
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # eine Liste mit mAP50-95(B)-Werten für jede Kategorie
metrics.box.image_metrics  # Kennzahlenverzeichnis pro Bild mit Präzision, Trefferquote, F1, TP, FP und FN

Vorhersagen#

Verwende ein trainiertes YOLO26n-obb-Modell, um Vorhersagen für Bilder zu treffen.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-obb.pt")  # Ein offizielles Modell laden
model = YOLO("path/to/best.pt")  # Ein benutzerdefiniertes Modell laden

# Mit dem Modell Vorhersagen erstellen
results = model("https://ultralytics.com/images/boats.jpg")  # Eine Vorhersage für ein Bild erstellen

# Auf die Ergebnisse zugreifen
for result in results:
    xywhr = result.obb.xywhr  # Mittelpunkt-x, Mittelpunkt-y, Breite, Höhe, Winkel (Bogenmaß)
    xyxyxyxy = result.obb.xyxyxyxy  # Polygonformat mit 4 Punkten
    names = [result.names[cls.item()] for cls in result.obb.cls.int()]  # Klassenname jedes Rahmens
    confs = result.obb.conf  # Konfidenzwert jedes Rahmens

Ausführliche Informationen zum Modus predict findest du auf der Seite Vorhersagen.

Übergib save_crop=True, um einen rotationsausgerichteten Zuschnitt jeder OBB in der Größe ihrer Box zu speichern, wie es auch ObjectCropper tut.

Ausgabe der Ergebnisse#

Die Erkennung orientierter Begrenzungsrahmen gibt pro Bild ein Results-Objekt zurück. Das wichtigste Vorhersagefeld ist result.obb und enthält gedrehte Boxen, Klassen-IDs und Konfidenzwerte für jedes erkannte Objekt.

Labels werden auf die Konvention mit langer Kante kanonisiert, Vorhersagen hingegen nicht. Daher kann result.obb.xywhr w als kleiner als h angeben, wobei die Drehung von der kurzen Kante aus gemessen wird. Beide Formen beschreiben dasselbe Rechteck, daher ist result.obb.xyxyxyxy in beiden Fällen korrekt. Wandle die Eckpunkte zurück, wenn nachgelagerter Code die Form mit langer Kante benötigt, und beachte dabei, dass eine Änderung der Boxparameter die Reihenfolge der Eckpunkte zyklisch verschieben kann:

from ultralytics.utils.ops import xyxyxyxy2xywhr

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

Task-spezifische Results-Felder für alle Aufgaben findest du im Abschnitt Vorhersageergebnisse nach Aufgabe.

Exportieren#

Exportiere ein YOLO26n-obb-Modell in ein anderes Format wie ONNX, CoreML usw.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-obb.pt")  # Ein offizielles Modell laden
model = YOLO("path/to/best.pt")  # Ein benutzerdefiniertes Modell laden

# Modell exportieren
model.export(format="onnx")

Die verfügbaren Exportformate für YOLO26-obb findest du in der Tabelle unten. Mit dem Argument format kannst du in jedes Format exportieren, also zum Beispiel mit format='onnx' oder format='engine'. Du kannst exportierte Modelle direkt für Vorhersagen oder zur Validierung verwenden, also zum Beispiel mit yolo predict model=yolo26n-obb.onnx. Nach Abschluss des Exports findest du Anwendungsbeispiele für dein Modell.

nms=None gibt standardmäßig Rohdaten für die externe NMS aus. Lege nms=False fest, um einen verfügbaren Kopf ohne NMS auszuwählen; nicht unterstützte Formate greifen auf ihren nativen Ausgabepfad zurück. Die obigen Einträge nms kennzeichnen Formate, die NMS mit nms=True integrieren können.

Ausführliche Informationen zu export findest du auf der Seite Export.

Häufig gestellte Fragen#