Link to this sectionDétection d'objets par boîtes englobantes orientées#

La détection d'objets orientés va plus loin que la détection d'objets standard en introduisant un angle supplémentaire pour localiser les objets plus précisément dans une image.

Le résultat d'un détecteur d'objets orientés est un ensemble de boîtes englobantes pivotées qui entourent précisément les objets dans l'image, accompagnées d'étiquettes de classe et de scores de confiance pour chaque boîte. Les boîtes englobantes orientées sont particulièrement utiles lorsque les objets apparaissent sous divers angles, comme dans l'imagerie aérienne, où les boîtes englobantes alignées sur les axes traditionnels peuvent inclure un arrière-plan inutile.

Link to this sectionExemples visuels#

Détection de navires utilisant OBB	Détection de véhicules utilisant OBB

Link to this sectionModèles#

Les modèles OBB pré-entraînés YOLO26 sont présentés ici, ils sont pré-entraînés sur le jeu de données DOTAv1.

Les modèles se téléchargent automatiquement depuis la dernière version d'Ultralytics lors de la première utilisation.

• Les valeurs mAP^test concernent le modèle unique multi-échelle sur le jeu de données DOTAv1.
  Reproduis avec yolo val obb data=DOTAv1.yaml device=0 split=test et soumets les résultats fusionnés à l'évaluation DOTA.
• Vitesse calculée en moyenne sur les images de validation DOTAv1 en utilisant une instance Amazon EC2 P4d.
  Reproduis avec yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
• Les valeurs Params et FLOPs correspondent au modèle fusionné après model.fuse(), qui combine les couches Conv et BatchNorm et, pour les modèles de bout en bout, supprime la tête de détection auxiliaire one-to-many. Les checkpoints pré-entraînés conservent l'architecture d'entraînement complète et peuvent afficher des nombres plus élevés.

Link to this sectionEntraînement#

Entraîne YOLO26n-obb sur le jeu de données DOTA8 pendant 100 époques à une taille d'image de 640. Pour une liste complète des arguments disponibles, consulte la page Configuration.

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 sectionFormat de jeu de données#

Le format de jeu de données OBB peut être trouvé en détail dans le Guide des jeux de données. Le format YOLO OBB désigne les boîtes englobantes par leurs quatre points d'angle avec des coordonnées normalisées entre 0 et 1, en suivant cette structure. Ultralytics Platform prend en charge l'annotation OBB avec un outil de dessin de boîte englobante orientée dédié :

En interne, YOLO traite les pertes et les sorties au format xywhr, qui représente le point central (xy) de la boîte englobante, la largeur, la hauteur et la rotation.

Link to this sectionValidation#

Valide la précision du modèle YOLO26n-obb entraîné sur le jeu de données DOTA8. Aucun argument n'est nécessaire car le model conserve ses data d'entraînement et ses arguments comme attributs de modèle.

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 sectionPrédiction#

Utilise un modèle YOLO26n-obb entraîné pour exécuter des prédictions sur des images.

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

Vois tous les détails du mode predict sur la page Predict.

Link to this sectionSortie des résultats#

La détection par boîte englobante orientée renvoie un objet Results par image. Le champ de prédiction principal est result.obb, qui contient des boîtes pivotées, des ID de classe et des scores de confiance pour chaque objet détecté.

Pour les champs Results spécifiques à chaque tâche, consulte la section Predict Results by Task.

Link to this sectionExportation#

Exporte un modèle YOLO26n-obb vers un format différent tel que 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")

Les formats d'exportation YOLO26-obb disponibles sont dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format en utilisant l'argument format, par ex. format='onnx' ou format='engine'. Tu peux prédire ou valider directement sur les modèles exportés, par ex. yolo predict model=yolo26n-obb.onnx. Des exemples d'utilisation sont présentés pour ton modèle une fois l'exportation terminée.

Consulte les détails complets sur export dans la page Export.

Link to this sectionApplications concrètes#

La détection OBB avec YOLO26 a de nombreuses applications pratiques dans diverses industries :

• Gestion maritime et portuaire : Détection de navires et de bateaux sous divers angles pour la gestion de flotte et la surveillance.
• Aménagement urbain : Analyse des bâtiments et des infrastructures à partir d'images aériennes.
• Agriculture : Surveillance des cultures et de l'équipement agricole à partir de vidéos de drones.
• Secteur énergétique : Inspection de panneaux solaires et d'éoliennes sous différentes orientations.
• Transports : Suivi des véhicules sur les routes et dans les parkings sous divers angles.

Ces applications bénéficient de la capacité d'OBB à s'ajuster précisément aux objets sous n'importe quel angle, offrant une détection plus précise que les boîtes englobantes traditionnelles.

Link to this sectionFAQ#

Link to this sectionQue sont les Oriented Bounding Boxes (OBB) et en quoi diffèrent-elles des bounding boxes classiques ?#

Les Oriented Bounding Boxes (OBB) incluent un angle supplémentaire pour améliorer la précision de la localisation des objets dans les images. Contrairement aux bounding boxes classiques, qui sont des rectangles alignés sur les axes, les OBB peuvent pivoter pour mieux s'adapter à l'orientation de l'objet. Cela est particulièrement utile pour les applications nécessitant un placement précis des objets, comme l'imagerie aérienne ou satellite (Dataset Guide).

Link to this sectionComment entraîner un modèle YOLO26n-obb en utilisant un jeu de données personnalisé ?#

Pour entraîner un modèle YOLO26n-obb avec un jeu de données personnalisé, suis l'exemple ci-dessous en utilisant Python ou 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)

Pour plus d'arguments d'entraînement, consulte la section Configuration.

Link to this sectionQuels jeux de données puis-je utiliser pour entraîner des modèles YOLO26-OBB ?#

Les modèles YOLO26-OBB sont pré-entraînés sur des jeux de données comme DOTAv1 mais tu peux utiliser n'importe quel jeu de données formaté pour OBB. Des informations détaillées sur les formats de jeux de données OBB sont disponibles dans le Dataset Guide.

Link to this sectionComment exporter un modèle YOLO26-OBB au format ONNX ?#

L'exportation d'un modèle YOLO26-OBB au format ONNX est simple en utilisant Python ou CLI :

from ultralytics import YOLO

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

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

Pour plus de formats d'exportation et de détails, réfère-toi à la page Export.

Link to this sectionComment valider la précision d'un modèle YOLO26n-obb ?#

Pour valider un modèle YOLO26n-obb, tu peux utiliser les commandes Python ou CLI comme indiqué ci-dessous :

from ultralytics import YOLO

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

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

Retrouve tous les détails de validation dans la section Val.