Boîtes de délimitation 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 orienté est un ensemble de boîtes de délimitation tournées qui entourent précisément les objets de l'image, ainsi que des étiquettes de classe et des scores de confiance pour chaque boîte. Les boîtes de délimitation orientées sont particulièrement utiles lorsque les objets apparaissent sous différents angles, comme dans les images aériennes, où les boîtes de délimitation traditionnelles alignées sur l'axe peuvent inclure un arrière-plan inutile.

Regarder : Détection d'objets à l'aide de Ultralytics YOLO Oriented Bounding Boxes (YOLO-OBB)

Échantillons visuels

Détection des navires à l'aide d'OBB	Détection de véhicules à l'aide de l'OBB

Modèles

YOLO11 Les modèles OBB pré-entraînés sont présentés ici, qui sont pré-entraînés sur l'ensemble de données DOTAv1.

Les modèles se téléchargent automatiquement à partir de la dernièreversion de Ultralytics lors de la première utilisation.

• ^mAPtest Les valeurs sont celles d'un modèle unique à plusieurs échelles sur la base d'un modèle unique à plusieurs échelles. DOTAv1 données.
  Reproduire par yolo val obb data=DOTAv1.yaml device=0 split=test et soumettre les résultats fusionnés à Évaluation de DOTA.
• Vitesse moyenne des images DOTAv1 val à l'aide d'une méthode de calcul de la moyenne. Amazon EC2 P4d instance.
  Reproduire par yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

Train

Entraîne YOLO11n-obb sur le jeu de données DOTA8 pendant 100 époques à une taille d'image de 640. Pour une liste complète des arguments disponibles, voir la page Configuration.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.yaml")  # build a new model from YAML
model = YOLO("yolo11n-obb.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-obb.yaml").load("yolo11n.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=yolo11n-obb.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolo11n-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=yolo11n-obb.yaml pretrained=yolo11n-obb.pt epochs=100 imgsz=640

Regarder : Comment former Ultralytics YOLO -OBB (Oriented Bounding Boxes) Models on DOTA Dataset using Ultralytics HUB

Format des données

Le format du jeu de données OBB est détaillé dans le guide des jeux de données. Le format OBB de YOLO désigne les boîtes englobantes par leurs quatre points d'angle dont les coordonnées sont normalisées entre 0 et 1, selon la structure suivante :

class_index x1 y1 x2 y2 x3 y3 x4 y4

En interne, YOLO traite les pertes et les produits dans le système de gestion de l'information. xywhr qui représente le format boîte de délimitationLe point central (xy), la largeur, la hauteur et la rotation de l'image.

Val

Valider le modèle YOLO11n-obb entraîné précision sur le jeu de données DOTA8. Aucun argument n'est nécessaire car la fonction model conserve sa formation data et les arguments en tant qu'attributs du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-obb.pt data=dota8.yaml         # val official model
yolo obb val model=path/to/best.pt data=path/to/data.yaml # val custom model

Prévoir

Utilisez un modèle YOLO11n-obb entraîné pour effectuer des prédictions sur des images.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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.keypoints.xy  # 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

yolo obb predict model=yolo11n-obb.pt source='https://ultralytics.com/images/boats.jpg'  # predict with official model
yolo obb predict model=path/to/best.pt source='https://ultralytics.com/images/boats.jpg' # predict with custom model

Regarder : Comment détecter et suivre les réservoirs de stockage en utilisant Ultralytics YOLO -OBB | Oriented Bounding Boxes | DOTA

Voir l'intégralité predict dans la section Prévoir page.

Exportation

Exporter un modèle YOLO11n-obb vers un format différent comme ONNX, CoreML, etc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-obb.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx # export custom trained model

Les formats d'exportation YOLO11-obb disponibles sont présentés dans le tableau ci-dessous. Vous pouvez exporter vers n'importe quel format à l'aide de la fonction format l'argument, c'est-à-dire format='onnx' ou format='engine'. Vous pouvez prédire ou valider directement les modèles exportés, c'est-à-dire yolo predict model=yolo11n-obb.onnx. Des exemples d'utilisation sont présentés pour votre modèle une fois l'exportation terminée.

Voir l'intégralité export détails dans le Exportation page.

Applications dans le monde réel

La détection des OBB avec YOLO11 a de nombreuses applications pratiques dans divers secteurs :

• Gestion maritime et portuaire: Détection de navires et de bateaux sous différents angles pour la gestion et la surveillance de la flotte.
• Planification urbaine: Analyse des bâtiments et des infrastructures à partir d'images aériennes.
• Agriculture: Surveillance des cultures et de l'équipement agricole à partir de séquences filmées par des drones.
• Secteur de l'énergie: Inspection de panneaux solaires et de turbines éoliennes dans différentes orientations.
• Transport: Suivi des véhicules sur les routes et dans les parkings sous différents angles.

Ces applications bénéficient de la capacité de l'OBB à s'adapter précisément aux objets quel que soit leur angle, ce qui permet 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 ordinaires ?

Les boîtes de délimitation orientées (OBB) incluent un angle supplémentaire pour améliorer la précision de la localisation des objets dans les images. Contrairement aux boîtes de délimitation classiques, qui sont des rectangles alignés dans l'axe, les OBB peuvent pivoter pour mieux s'adapter à l'orientation de l'objet. Ceci est particulièrement utile pour les applications nécessitant une localisation précise de l'objet, telles que l'imagerie aérienne ou satellitaire(Guide des jeux de données).

Comment entraîner un modèle YOLO11n-obb en utilisant un ensemble de données personnalisé ?

Pour entraîner un modèle YOLO11n-obb avec un ensemble de données personnalisé, suivez l'exemple ci-dessous en utilisant Python ou CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-obb.pt")

# Train the model
results = model.train(data="path/to/custom_dataset.yaml", epochs=100, imgsz=640)

yolo obb train data=path/to/custom_dataset.yaml model=yolo11n-obb.pt epochs=100 imgsz=640

Pour plus d'arguments de formation, consultez la section Configuration.

Quels ensembles de données puis-je utiliser pour entraîner les modèles YOLO11-OBB ?

YOLO11Les modèles OBB sont pré-entraînés sur des ensembles de données comme DOTAv1, mais vous pouvez utiliser n'importe quel ensemble de données formaté pour OBB. Des informations détaillées sur les formats des jeux de données OBB sont disponibles dans le Guide des jeux de données.

Comment puis-je exporter un modèle YOLO11-OBB au format ONNX ?

L'exportation d'un modèle YOLO11-OBB au format ONNX est simple à réaliser en utilisant Python ou CLI:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")

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

yolo export model=yolo11n-obb.pt format=onnx

Pour plus de détails sur les formats d'exportation, voir la page Exportation.

Comment valider la précision d'un modèle YOLO11n-obb ?

Pour valider un modèle YOLO11n-obb, vous pouvez utiliser les commandes Python ou CLI comme indiqué ci-dessous :

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")

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

yolo obb val model=yolo11n-obb.pt data=dota8.yaml

Voir les détails de la validation dans la section Val.

📅C réé il y a 1 an ✏️ Mis à jour il y a 1 jour

Commentaires