yolo val obb data=DOTAv1.yaml device=0 split=test
y envía los resultados fusionados a Evaluación DOTA.yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
Train YOLO11n-obb on the DOTA8 dataset for 100 epochs at image size 640. For a full list of available arguments see the Configuration page.
Ejemplo
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: How to Train Ultralytics YOLO-OBB (Oriented Bounding Boxes) Models on DOTA Dataset using Ultralytics HUB
El formato del conjunto de datos OBB se encuentra detallado en la Guía del Conjunto de Datos.
Validate trained YOLO11n-obb model accuracy on the DOTA8 dataset. No arguments are needed as the model
conserva su formación data
y argumentos como atributos del modelo.
Ejemplo
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
Use a trained YOLO11n-obb model to run predictions on images.
Ejemplo
Observa: How to Detect and Track Storage Tanks using Ultralytics YOLO-OBB | Oriented Bounding Boxes | DOTA
Ver todo predict
detalles del modo en el Predecir página.
Export a YOLO11n-obb model to a different format like ONNX, CoreML, etc.
Ejemplo
Available YOLO11-obb export formats are in the table below. You can export to any format using the 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.
Formato | format Argumento | Modelo | Metadatos | Argumentos |
---|---|---|---|---|
PyTorch | - | yolo11n-obb.pt | ✅ | - |
TorchScript | torchscript | yolo11n-obb.torchscript | ✅ | imgsz , optimize , batch |
ONNX | onnx | yolo11n-obb.onnx | ✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino | yolo11n-obb_openvino_model/ | ✅ | imgsz , half , int8 , batch |
TensorRT | engine | yolo11n-obb.engine | ✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml | yolo11n-obb.mlpackage | ✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model | yolo11n-obb_saved_model/ | ✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb | yolo11n-obb.pb | ❌ | imgsz , batch |
TF Lite | tflite | yolo11n-obb.tflite | ✅ | imgsz , half , int8 , batch |
TF Arista TPU | edgetpu | yolo11n-obb_edgetpu.tflite | ✅ | imgsz |
TF.js | tfjs | yolo11n-obb_web_model/ | ✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle | yolo11n-obb_paddle_model/ | ✅ | imgsz , batch |
MNN | mnn | yolo11n-obb.mnn | ✅ | imgsz , batch , int8 , half |
NCNN | ncnn | yolo11n-obb_ncnn_model/ | ✅ | imgsz , half , batch |
Ver todo export
detalles en el Exportar página.
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).
To train a YOLO11n-obb model with a custom dataset, follow the example below using Python or CLI:
Ejemplo
Para más argumentos de entrenamiento, consulta la sección Configuración.
YOLO11-OBB models are pretrained on datasets like DOTAv1 but you can use any dataset formatted for OBB. Detailed information on OBB dataset formats can be found in the Dataset Guide.
Exporting a YOLO11-OBB model to ONNX format is straightforward using either Python or CLI:
Ejemplo
Para más formatos de exportación y detalles, consulta la página Exportar.
To validate a YOLO11n-obb model, you can use Python or CLI commands as shown below:
Ejemplo
Consulta todos los detalles de la validación en la sección Val.