Boîtes de délimitation orientées Détection d'objets

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

Le résultat d'un détecteur d'objets orienté est un ensemble de boîtes de délimitation pivotées qui entourent exactement les objets de l'image, ainsi que des étiquettes de classe et des scores de confiance pour chaque boîte. La détection d'objets est un bon choix lorsque vous devez identifier des objets intéressants dans une scène, mais que vous n'avez pas besoin de savoir exactement où se trouve l'objet ou quelle est sa forme exacte.

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.

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

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.

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 11 mois ✏️ Mis à jour il y a 1 mois

Commentaires