Zum Inhalt springen

Oriented Bounding Boxes Objekterkennung

Die orientierte Objekterkennung geht einen Schritt weiter als die Objekterkennung und fĂŒhrt einen zusĂ€tzlichen Winkel ein, um Objekte in einem Bild genauer zu lokalisieren.

Die Ausgabe eines orientierten Objektdetektors ist eine Reihe von gedrehten Bounding Boxes, die die Objekte im Bild genau umschließen, zusammen mit Klassenbeschriftungen und Vertrauenswerten fĂŒr jede Box. Die Objekterkennung ist eine gute Wahl, wenn du interessante Objekte in einer Szene identifizieren musst, aber nicht genau wissen willst, wo sich das Objekt befindet oder welche Form es hat.

Tipp

YOLOv8 OBB-Modelle verwenden die -obb Suffix, d.h.. yolov8n-obb.pt und sind vorgebildet auf DOTAv1.



Pass auf: Objekterkennung mit Ultralytics YOLOv8 Oriented Bounding Boxes (YOLOv8-OBB)

Visuelle Muster

Schiffe aufspĂŒren mit OBB Fahrzeugerfassung mit OBB
Schiffe aufspĂŒren mit OBB Fahrzeugerfassung mit OBB

Modelle

YOLOv8 werden hier vortrainierte OBB-Modelle gezeigt, die auf dem DOTAv1-Datensatz vortrainiert wurden.

Die Modelle werden bei der ersten Verwendung automatisch von der neuestenVersion von Ultralytics heruntergeladen.

Modell GrĂ¶ĂŸe
(Pixel)
mAPtest
50
Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
A100 TensorRT
(ms)
params
(M)
FLOPs
(B)
YOLOv8n-obb 1024 78.0 204.77 3.57 3.1 23.3
YOLOv8s-obb 1024 79.5 424.88 4.07 11.4 76.3
YOLOv8m-obb 1024 80.5 763.48 7.61 26.4 208.6
YOLOv8l-obb 1024 80.7 1278.42 11.83 44.5 433.8
YOLOv8x-obb 1024 81.36 1759.10 13.23 69.5 676.7
  • mAPtest Werte sind fĂŒr Einzelmodell-Multiskala auf DOTAv1 Test Datensatz.
    Reproduzieren durch yolo val obb data=DOTAv1.yaml device=0 split=test und ĂŒbermitteln Sie die zusammengefĂŒhrten Ergebnisse an DOTA-Bewertung.
  • Geschwindigkeit gemittelt ĂŒber DOTAv1-Val-Bilder unter Verwendung eines Amazon EC2 P4d Instanz.
    Reproduzieren durch yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

Zug

Zug YOLOv8n-obb auf der dota8.yaml Datensatz fĂŒr 100 Epochen bei einer BildgrĂ¶ĂŸe von 640. Eine vollstĂ€ndige Liste der verfĂŒgbaren Argumente findest du in der Konfiguration Seite.

Beispiel

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

Format des Datensatzes

Das OBB-Datensatzformat findest du im Detail im Dataset Guide.

Val

ÜberprĂŒfe die Genauigkeit des trainierten YOLOv8n-obb Modells auf dem DOTA8-Datensatz. Es muss kein Argument ĂŒbergeben werden, da die model behĂ€lt es die Ausbildung data und Argumente als Modellattribute.

Beispiel

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
yolo obb val model=yolov8n-obb.pt data=dota8.yaml  # val official model
yolo obb val model=path/to/best.pt data=path/to/data.yaml  # val custom model

Vorhersage

Verwende ein trainiertes YOLOv8n-obb Modell, um Vorhersagen fĂŒr Bilder zu treffen.

Beispiel

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

# Predict with the model
results = model('https://ultralytics.com/images/bus.jpg')  # predict on an image
yolo obb predict model=yolov8n-obb.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo obb predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

Siehe voll predict Modus Details in der Vorhersage Seite.

exportieren

Exportiere ein YOLOv8n-obb Modell in ein anderes Format wie ONNX, CoreML, etc.

Beispiel

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 trained model

# Export the model
model.export(format='onnx')
yolo export model=yolov8n-obb.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Die verfĂŒgbaren YOLOv8-obb Exportformate findest du in der Tabelle unten. Du kannst exportierte Modelle direkt vorhersagen oder validieren, d.h. yolo predict model=yolov8n-obb.onnx. Nach Abschluss des Exports werden Anwendungsbeispiele fĂŒr dein Modell angezeigt.

Format format Argument Modell Metadaten Argumente
PyTorch - yolov8n-obb.pt ✅ -
TorchScript torchscript yolov8n-obb.torchscript ✅ imgsz, optimize
ONNX onnx yolov8n-obb.onnx ✅ imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n-obb_openvino_model/ ✅ imgsz, half, int8
TensorRT engine yolov8n-obb.engine ✅ imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n-obb.mlpackage ✅ imgsz, half, int8, nms
TF SavedModel saved_model yolov8n-obb_saved_model/ ✅ imgsz, keras
TF GraphDef pb yolov8n-obb.pb ❌ imgsz
TF Lite tflite yolov8n-obb.tflite ✅ imgsz, half, int8
TF Kante TPU edgetpu yolov8n-obb_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n-obb_web_model/ ✅ imgsz, half, int8
PaddlePaddle paddle yolov8n-obb_paddle_model/ ✅ imgsz
NCNN ncnn yolov8n-obb_ncnn_model/ ✅ imgsz, half

Siehe voll export Details in der exportieren Seite.



Erstellt am 2024-01-05, Aktualisiert am 2024-03-01
Autoren: glenn-jocher (11), Laughing-q (3), AyushExel (1)

Kommentare