Boîtes englobantes orientées pour la Détection d'objets#

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.

La sortie d'un détecteur d'objets orientés est un ensemble de boîtes englobantes pivotées qui encadrent 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 traditionnelles alignées sur les axes peuvent inclure un arrière-plan inutile.

Exemples visuels#

Détection de navires utilisant OBB	Détection de véhicules utilisant OBB

Modèles#

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

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

• Les valeurs mAP^test correspondent à un 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 Évaluation DOTA.
• Vitesse moyennée 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 de Params et FLOPs concernent le modèle fusionné après model.fuse(), qui fusionne les couches Conv et BatchNorm et, pour les modèles end2end, supprime la tête de détection auxiliaire one-to-many. Les points de contrôle pré-entraînés conservent l'architecture d'entraînement complète et peuvent afficher des nombres plus élevés.

Entraîner (Train)#

Entraîne YOLO26n-obb sur le jeu de données DOTA8 pendant 100 époques avec 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)

Format de jeu de données#

Le format de jeu de données OBB est décrit en détail dans le Guide du jeu de données. Le format YOLO OBB désigne les boîtes englobantes par leurs quatre coins avec des coordonnées normalisées entre 0 et 1, selon cette structure. L'annotation de Ultralytics Platform prend en charge les étiquettes OBB avec un outil de dessin de boîte englobante orientée dédié :

class_index x1 y1 x2 y2 x3 y3 x4 y4

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

Valider (Val)#

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

Prédire (Predict)#

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

Consulte tous les détails du mode predict dans la page Prédire.

Sortie des résultats#

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

Les étiquettes sont canonisées selon la convention du bord long mais pas les prédictions, donc result.obb.xywhr peut rapporter w plus petit que h avec la rotation mesurée à partir du bord court. Les deux formes décrivent le même rectangle, donc result.obb.xyxyxyxy est correct dans les deux cas. Convertis à nouveau les coins lorsque le code aval a besoin de la forme du bord long, en gardant à l'esprit que la réécriture des paramètres de la boîte peut modifier cycliquement l'ordre des coins :

from ultralytics.utils.ops import xyxyxyxy2xywhr

xywhr = xyxyxyxy2xywhr(result.obb.xyxyxyxy)  # w >= h, rotation in [-pi/4, 3pi/4)

Pour les champs Results spécifiques à chaque tâche, consulte la section Résultats de prédiction par tâche.

Exporter (Export)#

Exporte un modèle YOLO26n-obb vers un format différent comme 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 se trouvent dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format en utilisant l'argument format, c'est-à-dire format='onnx' ou format='engine'. Tu peux prédire ou valider directement sur les modèles exportés, c'est-à-dire yolo predict model=yolo26n-obb.onnx. Des exemples d'utilisation sont affichés pour ton modèle une fois l'exportation terminée.

Consulte tous les détails de export dans la page Exporter.

Applications concrètes#

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

• Gestion maritime et portuaire : Détection de navires et de bateaux à différents angles pour la gestion de flotte et la surveillance.
• Urbanisme : Analyse des bâtiments et des infrastructures à partir de l'imagerie aérienne.
• Agriculture : Surveillance des cultures et de l'équipement agricole à partir de séquences de drone.
• Secteur de l'énergie : Inspection des panneaux solaires et des éoliennes sous différentes orientations.
• Transport : Suivi des véhicules sur les routes et dans les parkings sous diverses perspectives.

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

FAQ#

Que sont les boîtes englobantes orientées (OBB) et en quoi diffèrent-elles des boîtes englobantes classiques ?#

Les boîtes englobantes orientées (OBB) incluent un angle supplémentaire pour améliorer la précision de la localisation des objets dans les images. Contrairement aux boîtes englobantes ordinaires, qui sont des rectangles alignés sur les axes, les OBB peuvent pivoter pour mieux s'adapter à l'orientation de l'objet. Ceci est particulièrement utile pour les applications nécessitant un placement précis des objets, telles que l'imagerie aérienne ou satellite (Guide du jeu de données).

Comment 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.

Quels jeux de données puis-je utiliser pour entraîner des modèles YOLO26-OBB ?#

Les modèles YOLO26-OBB sont pré-entraînés sur des jeux de données tels que 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 se trouvent dans le Guide du jeu de données.

Comment puis-je exporter un modèle YOLO26-OBB vers le format ONNX ?#

L'exportation d'un modèle YOLO26-OBB vers le format ONNX est simple en utilisant soit Python soit 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 Exporter.

Comment valider la précision d'un modèle YOLO26n-obb ?#

Pour valider un modèle YOLO26n-obb, tu peux utiliser des 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")

Consulte tous les détails de validation dans la section Val.