Cajas delimitadoras orientadas Detección de objetos

La detección de objetos orientada va un paso más allá de la detección de objetos e introduce 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 cuadros delimitadores rotados que encierran exactamente los objetos de la imagen, junto con etiquetas de clase y puntuaciones de confianza para cada cuadro. La detección de objetos es una buena opción cuando necesitas identificar objetos de interés en una escena, pero no necesitas saber exactamente dónde está el objeto ni su forma exacta.

Observa: Detección de objetos mediante Ultralytics YOLO Cajas delimitadoras orientadas (YOLO-OBB)

Muestras visuales

Detección de barcos mediante OBB	Detección de vehículos mediante OBB

Modelos

Aquí se muestran los modelos OBB preentrenados de YOLO11, que están preentrenados en el conjunto de datos DOTAv1.

Los modelos se descargan automáticamente de la últimaversión de Ultralytics la primera vez que se utilizan.

• ^mAPtest son para multiescala de modelo único en DOTAv1 conjunto de datos.
  Reproducir por yolo val obb data=DOTAv1.yaml device=0 split=test y envía los resultados fusionados a Evaluación DOTA.
• Velocidad promediadas sobre las imágenes DOTAv1 val utilizando un Amazon EC2 P4d instancia.
  Reproducir por yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

Tren

Entrena YOLO11n-obb en el conjunto de datos DOTA8 durante 100 épocas con un tamaño de imagen de 640. Para ver la lista completa de argumentos disponibles, consulta la página Configuración.

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

Observa: Cómo entrenar modelos Ultralytics YOLO -OBB (Oriented Bounding Boxes) en el conjunto de datos DOTA utilizando Ultralytics HUB

Formato del conjunto de datos

El formato del conjunto de datos OBB se encuentra detallado en la Guía del Conjunto de Datos.

Val

Validar el modelo YOLO11n-obb entrenado precisión en el conjunto de datos DOTA8. No se necesitan argumentos, ya que el model conserva su formación data y argumentos como atributos del modelo.

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

yolo obb val model=yolo11n-obb.pt data=dota8.yaml  # val official model
yolo obb val model=path/to/best.pt data=path/to/data.yaml  # val custom model

Predecir

Utiliza un modelo YOLO11n-obb entrenado para realizar predicciones sobre las imágenes.

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

# Predict with the model
results = model("https://ultralytics.com/images/boats.jpg")  # predict on an image

yolo obb predict model=yolo11n-obb.pt source='https://ultralytics.com/images/boats.jpg'  # predict with official model
yolo obb predict model=path/to/best.pt source='https://ultralytics.com/images/boats.jpg'  # predict with custom model

Observa: Cómo Detectar y Rastrear Depósitos utilizando Ultralytics YOLO -OBB | Oriented Bounding Boxes | DOTA

Ver todo predict detalles del modo en el Predecir página.

Exportar

Exporta un modelo YOLO11n-obb a un formato diferente como ONNX, CoreML, etc.

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 trained model

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

yolo export model=yolo11n-obb.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Los formatos de exportación YOLO11-obb disponibles están en la tabla siguiente. Puedes exportar a cualquier formato utilizando el botón format argumento, es decir format='onnx' o format='engine'. Puedes predecir o validar directamente los modelos exportados, es decir. yolo predict model=yolo11n-obb.onnx. Se muestran ejemplos de uso de tu modelo una vez finalizada la exportación.

Ver todo export detalles en el Exportar página.

PREGUNTAS FRECUENTES

¿Qué son las cajas delimitadoras orientadas (OBB) y en qué se diferencian de las cajas delimitadoras normales?

Los cuadros delimitadores orientados (OBB) incluyen un ángulo adicional para mejorar la precisión de la localización de objetos en imágenes. A diferencia de los cuadros delimitadores normales, que son rectángulos alineados con el eje, los OBB pueden girar para ajustarse mejor a la orientación del objeto. Esto es especialmente útil para aplicaciones que requieren una localización precisa del objeto, como las imágenes aéreas o por satélite(Guía del Conjunto de Datos).

¿Cómo entreno un modelo YOLO11n-obb utilizando un conjunto de datos personalizado?

Para entrenar un modelo YOLO11n-obb con un conjunto de datos personalizado, sigue el siguiente ejemplo utilizando Python o CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-obb.pt")

# Train the model
results = model.train(data="path/to/custom_dataset.yaml", epochs=100, imgsz=640)

yolo obb train data=path/to/custom_dataset.yaml model=yolo11n-obb.pt epochs=100 imgsz=640

Para más argumentos de entrenamiento, consulta la sección Configuración.

¿Qué conjuntos de datos puedo utilizar para entrenar los modelos YOLO11-OBB?

Los modelos YOLO11-OBB están preentrenados en conjuntos de datos como DOTAv1, pero puedes utilizar cualquier conjunto de datos formateado para OBB. Encontrarás información detallada sobre los formatos de los conjuntos de datos OBB en la Guía de conjuntos de datos.

¿Cómo puedo exportar un modelo YOLO11-OBB al formato ONNX ?

Exportar un modelo YOLO11-OBB al formato ONNX es sencillo utilizando Python o CLI:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")

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

yolo export model=yolo11n-obb.pt format=onnx

Para más formatos de exportación y detalles, consulta la página Exportar.

¿Cómo puedo validar la precisión de un modelo YOLO11n-obb?

Para validar un modelo YOLO11n-obb, puedes utilizar los comandos Python o CLI , como se muestra a continuación:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")

# Validate the model
metrics = model.val(data="dota8.yaml")

yolo obb val model=yolo11n-obb.pt data=dota8.yaml

Consulta todos los detalles de la validación en la sección Val.

📅 C reado hace 10 meses ✏️ Actualizado hace 26 días

Comentarios