Boîtes englobantes orientées 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 avec plus de précision 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, avec des étiquettes de classe et des scores de confiance pour chaque boîte. Les boîtes englobantes orientées sont particulièrement utiles lorsque les objets apparaissent selon des angles variés, comme dans l'imagerie aérienne, où les boîtes englobantes alignées sur les axes traditionnels 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, lesquels sont pré-entraînés sur le jeu de données DOTAv1.

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

• Les valeurs mAP^test correspondent au 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 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 Params et FLOPs sont pour le modèle fusionné après model.fuse(), ce 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.

Entraînement

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)

Format de jeu de données

Le format de jeu de données OBB est détaillé dans le Guide des jeux de données. Le format YOLO OBB désigne les boîtes englobantes par leurs quatre points de coin avec des coordonnées normalisées entre 0 et 1, 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), la largeur, la hauteur et la rotation de la boîte englobante.

Validation

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 en tant qu'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

Prédire

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.

Exportation

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.

Voir les détails complets sur l'export dans la page Export.

Applications concrètes

La détection OBB avec YOLO26 a de nombreuses applications pratiques dans divers secteurs :

• Gestion maritime et portuaire : Détecter les navires et les bateaux sous différents angles pour la gestion de flotte et la surveillance.
• Urbanisme : Analyser les bâtiments et les infrastructures à partir de l'imagerie aérienne.
• Agriculture : Surveiller les cultures et l'équipement agricole à partir de séquences de drones.
• Secteur de l'énergie : Inspecter les panneaux solaires et les éoliennes à différentes orientations.
• Transport : Suivre les véhicules sur les routes et dans les parkings sous différentes perspectives.

Ces applications bénéficient de la capacité d'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 régulières ?

Les boîtes englobantes orientées (OBB) incluent un angle supplémentaire pour améliorer la précision de localisation des objets dans les images. Contrairement aux boîtes englobantes régulières, 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 satellitaire (Guide des jeux 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 des jeux de données.

Comment puis-je exporter un modèle YOLO26-OBB vers le 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, reporte-toi à la page Exportation.

Comment 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")

Vois tous les détails de validation dans la section Val.