Detección de cuadros delimitadores orientados con YOLO de Ultralytics#

La detección de objetos orientada va un paso más allá que la detección de objetos estándar al introducir un ángulo adicional para localizar los objetos con mayor precisión en una imagen.

La salida de un detector de objetos orientado es un conjunto de cajas delimitadoras rotadas que encierran con precisión los objetos de la imagen, junto con las etiquetas de clase y las puntuaciones de confianza de cada caja. Las cajas delimitadoras orientadas son especialmente útiles cuando los objetos aparecen en distintos ángulos, como en las imágenes aéreas, donde las cajas delimitadoras tradicionales alineadas con los ejes pueden incluir fondo innecesario.

Ejemplos visuales#

Detección de barcos mediante OBB	Detección de vehículos mediante OBB

Modelos#

Aquí se muestran los modelos OBB preentrenados de YOLO26, que se han preentrenado con el conjunto de datos DOTAv1.

Los modelos se descargan automáticamente de la versión más reciente de Ultralytics durante el primer uso.

• Los valores de mAP^test corresponden a multiescala con un único modelo en el conjunto de datos DOTAv1.
  Reprodúcelo mediante yolo val obb data=DOTAv1.yaml device=0 split=test nms=False y envía los resultados combinados a la evaluación de DOTA.
• La velocidad se ha calculado como la media de las imágenes de validación de DOTAv1 utilizando una instancia Amazon EC2 P4d.
  Reprodúcela mediante yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu nms=False
• Los valores de Params y FLOPs corresponden a modelos fusionados después del plegado de Conv/BatchNorm y la eliminación de la rama de detección no utilizada. Los puntos de control preentrenados conservan la arquitectura de entrenamiento completa y pueden mostrar recuentos más altos.

Consulta la vista previa inédita de YOLO27 para ver los resultados preliminares de DOTAv1.

Entrenar#

Entrena YOLO26n-obb en el conjunto de datos DOTA8 durante 100 épocas con un tamaño de imagen de 640. Consulta la página de Configuración para ver la lista completa de argumentos disponibles.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.yaml")  # build a new model from YAML
model = YOLO("yolo26n-obb.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-obb.yaml").load("yolo26n-obb.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Formato del conjunto de datos#

El formato de los conjuntos de datos OBB se explica detalladamente en la Guía de conjuntos de datos. El formato OBB de YOLO designa las cajas delimitadoras mediante sus cuatro puntos de esquina, con coordenadas normalizadas entre 0 y 1, siguiendo esta estructura. La anotación de Ultralytics Platform admite etiquetas OBB con una herramienta específica para dibujar cajas delimitadoras orientadas:

class_index x1 y1 x2 y2 x3 y3 x4 y4

Internamente, YOLO procesa las pérdidas y las salidas en el formato xywhr, que representa el punto central (xy), la anchura, la altura y la rotación de la caja delimitadora.

Val#

Valida la precisión del modelo YOLO26n-obb entrenado en el conjunto de datos DOTA8. No se necesitan argumentos, ya que model conserva su data de entrenamiento y sus argumentos como atributos del modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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")  # validate on the DOTA8 dataset
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # a list containing mAP50-95(B) for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Predecir#

Utiliza un modelo YOLO26n-obb entrenado para ejecutar predicciones en imágenes.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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/boats.jpg")  # predict on an image

# Access the results
for result in results:
    xywhr = result.obb.xywhr  # center-x, center-y, width, height, angle (radians)
    xyxyxyxy = result.obb.xyxyxyxy  # polygon format with 4-points
    names = [result.names[cls.item()] for cls in result.obb.cls.int()]  # class name of each box
    confs = result.obb.conf  # confidence score of each box

Consulta todos los detalles del modo predict en la página Predecir.

Salida de resultados#

La detección de cajas delimitadoras orientadas devuelve un objeto Results por imagen. El campo de predicción principal es result.obb, que contiene las cajas rotadas, los ID de clase y las puntuaciones de confianza de cada objeto detectado.

Las etiquetas se canonizan según la convención del lado largo, pero las predicciones no, por lo que result.obb.xywhr puede indicar w menor que h, con la rotación medida desde el lado corto. Ambas formas describen el mismo rectángulo, por lo que result.obb.xyxyxyxy es correcto en ambos casos. Convierte de nuevo las esquinas cuando el código posterior necesite la forma del lado largo, teniendo en cuenta que reescribir los parámetros de la caja puede desplazar cíclicamente el orden de las esquinas:

from ultralytics.utils.ops import xyxyxyxy2xywhr

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

Para consultar los campos específicos de la tarea de Results en todas las tareas, visita la sección Resultados de predicción por tarea.

Exportar#

Exporta un modelo YOLO26n-obb a otro formato, como ONNX, CoreML, etc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

Los formatos de exportación disponibles para YOLO26-obb se muestran en la tabla siguiente. Puedes exportar a cualquier formato mediante el argumento format, es decir, format='onnx' o format='engine'. Puedes predecir o validar directamente con los modelos exportados, es decir, yolo predict model=yolo26n-obb.onnx. Cuando finalice la exportación, se mostrarán ejemplos de uso para tu modelo.

nms=None se establece por defecto en salidas sin procesar para la NMS externa. Configura nms=False para seleccionar una cabeza libre de NMS disponible; los formatos no compatibles recurren a su ruta de salida nativa. Las entradas nms anteriores identifican los formatos que pueden incrustar la NMS con nms=True.

Consulta todos los detalles de export en la página Exportar.

Aplicaciones en el mundo real#

La detección OBB con YOLO26 tiene numerosas aplicaciones prácticas en diversos sectores:

• Gestión marítima y portuaria: detección de barcos y embarcaciones en distintos ángulos para la gestión de flotas y la supervisión.
• Planificación urbana: análisis de edificios e infraestructuras a partir de imágenes aéreas.
• Agricultura: supervisión de cultivos y equipos agrícolas a partir de imágenes captadas por drones.
• Sector energético: inspección de paneles solares y turbinas eólicas en distintas orientaciones.
• Transporte: seguimiento de vehículos en carreteras y aparcamientos desde diversas perspectivas.

Estas aplicaciones se benefician de la capacidad de OBB para ajustarse con precisión a los objetos en cualquier ángulo, lo que proporciona una detección más exacta que las cajas delimitadoras tradicionales.

Preguntas frecuentes#