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.
Consejo
YOLOv8 Los modelos OBB utilizan la -obb
sufijo, es decir yolov8n-obb.pt
y están preentrenados en DOTAv1.
Observa: Detección de objetos mediante Ultralytics YOLOv8 Cajas delimitadoras orientadas (YOLOv8-OBB) |
Observa: Detección de Objetos con YOLOv8-OBB utilizando Ultralytics HUB |
Muestras visuales
Detección de barcos mediante OBB | Detección de vehículos mediante OBB |
---|---|
Modelos
YOLOv8 Aquí se muestran los modelos OBB preentrenados en el conjunto de datos DOTAv1.
Los modelos se descargan automáticamente de la últimaversión de Ultralytics la primera vez que se utilizan.
Modelo | tamaño (píxeles) |
mAPtest 50 |
Velocidad CPU ONNX (ms) |
Velocidad A100 TensorRT (ms) |
parámetros (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 son para multiescala de modelo único en Prueba DOTAv1 conjunto de datos.
Reproducir poryolo 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 poryolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
Tren
Tren YOLOv8n-obb en el dota8.yaml
para 100 épocas con un tamaño de imagen de 640. Para ver la lista completa de argumentos disponibles, consulta Configuración página.
Ejemplo
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
Formato del conjunto de datos
El formato del conjunto de datos OBB se encuentra detallado en la Guía del Conjunto de Datos.
Val
Valida la precisión del modelo entrenado YOLOv8n-obb en el conjunto de datos DOTA8. No es necesario pasar ningún argumento model
conserva su formación data
y argumentos como atributos del modelo.
Ejemplo
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
Predecir
Utiliza un modelo YOLOv8n-obb entrenado para realizar predicciones sobre las imágenes.
Ejemplo
Ver todo predict
detalles del modo en el Predecir página.
Exportar
Exporta un modelo YOLOv8n-obb a un formato diferente como ONNX, CoreML, etc.
Ejemplo
Los formatos de exportación YOLOv8-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=yolov8n-obb.onnx
. Se muestran ejemplos de uso de tu modelo una vez finalizada la exportación.
Formato | format Argumento |
Modelo | Metadatos | Argumentos |
---|---|---|---|---|
PyTorch | - | yolov8n-obb.pt |
✅ | - |
TorchScript | torchscript |
yolov8n-obb.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolov8n-obb.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n-obb_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n-obb.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolov8n-obb.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n-obb_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n-obb.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n-obb.tflite |
✅ | imgsz , half , int8 , batch |
TF Arista TPU | edgetpu |
yolov8n-obb_edgetpu.tflite |
✅ | imgsz |
TF.js | tfjs |
yolov8n-obb_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n-obb_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n-obb_ncnn_model/ |
✅ | imgsz , half , batch |
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 YOLOv8n-obb utilizando un conjunto de datos personalizado?
Para entrenar un modelo YOLOv8n-obb con un conjunto de datos personalizado, sigue el siguiente ejemplo utilizando Python o CLI:
Ejemplo
Para más argumentos de entrenamiento, consulta la sección Configuración.
¿Qué conjuntos de datos puedo utilizar para entrenar los modelos YOLOv8-OBB?
YOLOv8-Los modelos 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 YOLOv8-OBB al formato ONNX ?
Exportar un modelo YOLOv8-OBB al formato ONNX es sencillo utilizando Python o CLI:
Ejemplo
Para más formatos de exportación y detalles, consulta la página Exportar.
¿Cómo puedo validar la precisión de un modelo YOLOv8n-obb?
Para validar un modelo YOLOv8n-obb, puedes utilizar los comandos Python o CLI , como se muestra a continuación:
Ejemplo
Consulta todos los detalles de la validación en la sección Val.
Creado 2024-01-05, Actualizado 2024-07-04
Autores: glenn-jocher (22), Burhan-Q (4), Laughing-q (3), AyushExel (1)