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 plus précisément dans une image.

La sortie 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 sous divers angles, comme dans l'imagerie aérienne, où les boîtes englobantes traditionnelles alignées sur les axes peuvent inclure des arrière-plans inutiles.

Exemples visuels

Détection de navires utilisant OBB	Détection de véhicules utilisant OBB

Modèles

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

Modèles se téléchargent automatiquement depuis la dernière release Ultralytics lors de la première utilisation.

• mAP^test les valeurs sont pour un modèle unique multi-échelle sur le jeu de données DOTAv1 .
  Reproduis en yolo val obb data=DOTAv1.yaml device=0 split=test et soumets les résultats fusionnés à DOTA evaluation.
• Speed moyenné sur les images de validation DOTAv1 en utilisant une instance Amazon EC2 P4d .
  Reproduis en yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
• Params et en FLOPs les valeurs sont pour 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 checkpoints pré-entraînés conservent l'architecture d'entraînement complète et peuvent afficher des nombres plus élevés.

Train

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 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 peut être trouvé en détail dans le Guide du jeu 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 dans le format xywhr , qui représente le point central (xy), la largeur, la hauteur et la rotation de l' boîte englobante .

Val

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

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 les détails complets sur predict détails du mode dans le Prédire.

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 sont dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format en utilisant le format, c'est-à-dire format='onnx' ou format='engine'. Tu peux prédire ou valider directement sur des modèles exportés, c'est-à-dire yolo predict model=yolo26n-obb.onnx . Des exemples d'utilisation sont montrés pour ton modèle après la fin de l'exportation.

Consulte les détails complets sur export dans la page Export.

Applications réelles

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

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

Ces applications tirent parti de la capacité des OBB à s'ajuster précisément aux objets quel que soit leur angle, offrant une détection plus précise que les boîtes englobantes traditionnelles.

FAQ

Que sont les Oriented Bounding Boxes (OBB) et en quoi diffèrent-elles des boîtes englobantes classiques ?

Les Oriented Bounding Boxes (OBB) incluent un angle supplémentaire pour améliorer la précision de la localisation des objets dans les images. Contrairement aux boîtes englobantes 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 satellitaire (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 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 comme DOTAv1 mais tu peux utiliser n'importe quel jeu de données formaté pour OBB. Des informations détaillées sur les formats de jeu de données OBB sont disponibles dans le Guide du jeu de données.

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

Exporter un modèle YOLO26-OBB vers le 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 au Export.

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 le Val.