Saltar al contenido

Cajas delimitadoras orientadas Detecci贸n de objetos

La detecci贸n de objetos orientada va un paso m谩s all谩 de la detecci贸n de objetos e introduce un 谩ngulo adicional para localizar los objetos con mayor precisi贸n 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 detecci贸n de objetos es una buena opci贸n cuando necesitas identificar objetos de inter茅s en una escena, pero no necesitas saber exactamente d贸nde est谩 el objeto ni su forma exacta.

Consejo

YOLOv8 Los modelos OBB utilizan la -obb sufijo, es decir yolov8n-obb.pt y est谩n preentrenados en DOTAv1.



Observa: Detecci贸n de objetos mediante Ultralytics YOLOv8 Cajas delimitadoras orientadas (YOLOv8-OBB)

Muestras visuales

Detecci贸n de barcos mediante OBB Detecci贸n de veh铆culos mediante OBB
Detecci贸n de barcos mediante OBB Detecci贸n de veh铆culos mediante OBB

Modelos

YOLOv8 Aqu铆 se muestran los modelos OBB preentrenados en el conjunto de datos DOTAv1.

Los modelos se descargan autom谩ticamente de la 煤ltimaversi贸n de Ultralytics la primera vez que se utilizan.

Modelo tama帽o
(p铆xeles)
mAPtest
50
Velocidad
CPU ONNX
(ms)
Velocidad
A100 TensorRT
(ms)
par谩metros
(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 煤nico en Prueba DOTAv1 conjunto de datos.
    Reproducir por yolo val obb data=DOTAv1.yaml device=0 split=test y env铆a los resultados fusionados a Evaluaci贸n DOTA.
  • Velocidad promediadas sobre las im谩genes DOTAv1 val utilizando un Amazon EC2 P4d instancia.
    Reproducir por yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

Tren

Tren YOLOv8n-obb en el dota8.yaml para 100 茅pocas con un tama帽o de imagen de 640. Para ver la lista completa de argumentos disponibles, consulta Configuraci贸n p谩gina.

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 Gu铆a del Conjunto de Datos.

Val

Valida la precisi贸n del modelo entrenado YOLOv8n-obb en el conjunto de datos DOTA8. No es necesario pasar ning煤n argumento model conserva su formaci贸n 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
yolo obb val model=yolov8n-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 YOLOv8n-obb entrenado para realizar predicciones sobre las im谩genes.

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

# Predict with the model
results = model('https://ultralytics.com/images/bus.jpg')  # predict on an image
yolo obb predict model=yolov8n-obb.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo obb predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

Ver todo predict detalles del modo en el Predecir p谩gina.

Exportar

Exporta un modelo YOLOv8n-obb a un formato diferente como ONNX, CoreML, etc.

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 trained model

# Export the model
model.export(format='onnx')
yolo export model=yolov8n-obb.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Los formatos de exportaci贸n YOLOv8-obb disponibles est谩n en la tabla siguiente. 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 exportaci贸n.

Formato format Argumento Modelo Metadatos Argumentos
PyTorch - yolov8n-obb.pt -
TorchScript torchscript yolov8n-obb.torchscript imgsz, optimize
ONNX onnx yolov8n-obb.onnx imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n-obb_openvino_model/ imgsz, half, int8
TensorRT engine yolov8n-obb.engine imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n-obb.mlpackage imgsz, half, int8, nms
TF SavedModel saved_model yolov8n-obb_saved_model/ imgsz, keras
TF GraphDef pb yolov8n-obb.pb imgsz
TF Lite tflite yolov8n-obb.tflite imgsz, half, int8
TF Arista TPU edgetpu yolov8n-obb_edgetpu.tflite imgsz
TF.js tfjs yolov8n-obb_web_model/ imgsz, half, int8
PaddlePaddle paddle yolov8n-obb_paddle_model/ imgsz
NCNN ncnn yolov8n-obb_ncnn_model/ imgsz, half

Ver todo export detalles en el Exportar p谩gina.



Creado 2024-01-05, Actualizado 2024-04-17
Autores: glenn-jocher (13), Laughing-q (3), AyushExel (1)

Comentarios