Link to this sectionCajas delimitadoras orientadas Detección de objetos#

La detección de objetos orientados va un paso más allá de la detección de objetos estándar al introducir un ángulo adicional para localizar 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 en la imagen, junto con etiquetas de clase y puntuaciones de confianza para cada caja. Las cajas delimitadoras orientadas son particularmente útiles cuando los objetos aparecen en varios ángulos, como en imágenes aéreas, donde las cajas delimitadoras tradicionales alineadas con los ejes pueden incluir fondo innecesario.

Link to this sectionMuestras visuales#

Detección de barcos mediante OBB	Detección de vehículos mediante OBB

Link to this sectionModelos#

Aquí se muestran los modelos OBB preentrenados de YOLO26, los cuales han sido preentrenados en el conjunto de datos DOTAv1.

Los modelos se descargan automáticamente desde la última versión de Ultralytics al utilizarlos por primera vez.

• Los valores de mAP^test son para un modelo único multiescala en el conjunto de datos DOTAv1.
  Reproduce con yolo val obb data=DOTAv1.yaml device=0 split=test y envía los resultados combinados a la evaluación de DOTA.
• La velocidad se calcula como promedio sobre imágenes de validación de DOTAv1 usando una instancia Amazon EC2 P4d.
  Reproduce con yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
• Los valores de Params y FLOPs corresponden al modelo fusionado tras ejecutar model.fuse(), que combina las capas Conv y BatchNorm y, para los modelos integrales (end2end), elimina la cabecera de detección auxiliar de uno a muchos. Los checkpoints preentrenados conservan la arquitectura de entrenamiento completa y pueden mostrar cifras mayores.

Link to this sectionEntrenar#

Entrena YOLO26n-obb en el conjunto de datos DOTA8 durante 100 épocas con un tamaño de imagen de 640. Para obtener una lista completa de los argumentos disponibles, consulta la página de Configuración.

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)

Link to this sectionFormato del conjunto de datos#

El formato de conjunto de datos OBB se puede encontrar detallado en la Guía de conjuntos de datos. El formato YOLO OBB designa las cajas delimitadoras por sus cuatro puntos de esquina con coordenadas normalizadas entre 0 y 1, siguiendo esta estructura. Ultralytics Platform admite la anotación de OBB con una herramienta de dibujo de cajas delimitadoras orientadas dedicada:

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

Link to this sectionValidar#

Valida la precisión del modelo YOLO26n-obb entrenado en el conjunto de datos DOTA8. No se necesitan argumentos ya que el 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")  # 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 containing mAP50-95(B) for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Link to this sectionPredecir#

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.

Link to this sectionResultado de la salida#

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

Para ver los campos de Results específicos de cada tarea, consulta la sección Resultados de predicción por tarea.

Link to this sectionExportar#

Exporta un modelo YOLO26n-obb a un formato diferente 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 encuentran en la siguiente tabla. Puedes exportar a cualquier formato usando el argumento format, p. ej., format='onnx' o format='engine'. Puedes predecir o validar directamente en modelos exportados, p. ej., yolo predict model=yolo26n-obb.onnx. Los ejemplos de uso se muestran para tu modelo una vez que se complete la exportación.

Consulta los detalles completos de export en la página Export.

Link to this sectionAplicaciones en el mundo real#

La detección OBB con YOLO26 tiene numerosas aplicaciones prácticas en diversas industrias:

• Gestión marítima y portuaria: Detección de barcos y embarcaciones en varios ángulos para la gestión de flotas y monitorización.
• Urbanismo: Análisis de edificios e infraestructura a partir de imágenes aéreas.
• Agricultura: Monitorización de cultivos y equipos agrícolas a partir de grabaciones de drones.
• Sector energético: Inspección de paneles solares y turbinas eólicas en diferentes orientaciones.
• Transporte: Seguimiento de vehículos en carreteras y aparcamientos desde varias perspectivas.

Estas aplicaciones se benefician de la capacidad de OBB para ajustar con precisión los objetos en cualquier ángulo, proporcionando una detección más precisa que las cajas delimitadoras tradicionales.

Link to this sectionFAQ#

Link to this section¿Qué son las cajas delimitadoras orientadas (OBB) y en qué se diferencian de las cajas delimitadoras normales?#

Las cajas delimitadoras orientadas (OBB) incluyen un ángulo adicional para mejorar la precisión de la localización de objetos en las imágenes. A diferencia de las cajas delimitadoras normales, que son rectángulos alineados con los ejes, las OBB pueden rotar para adaptarse mejor a la orientación del objeto. Esto es particularmente útil para aplicaciones que requieren una colocación precisa de los objetos, como imágenes aéreas o de satélite (Guía de conjuntos de datos).

Link to this section¿Cómo entreno un modelo YOLO26n-obb usando un conjunto de datos personalizado?#

Para entrenar un modelo YOLO26n-obb con un conjunto de datos personalizado, sigue el ejemplo a continuación usando Python o CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-obb.pt")

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

Para obtener más argumentos de entrenamiento, consulta la sección de Configuración.

Link to this section¿Qué conjuntos de datos puedo usar para entrenar modelos YOLO26-OBB?#

Los modelos YOLO26-OBB están preentrenados en conjuntos de datos como DOTAv1, pero puedes usar cualquier conjunto de datos formateado para OBB. Puedes encontrar información detallada sobre los formatos de conjuntos de datos OBB en la Guía de conjuntos de datos.

Link to this section¿Cómo puedo exportar un modelo YOLO26-OBB al formato ONNX?#

Exportar un modelo YOLO26-OBB al formato ONNX es sencillo utilizando Python o CLI:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")

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

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

Link to this section¿Cómo valido la precisión de un modelo YOLO26n-obb?#

Para validar un modelo YOLO26n-obb, puedes usar Python o comandos de CLI como se muestra a continuación:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")

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

Consulta los detalles completos de validación en la sección Val.