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 tu dois identifier des objets intéressants dans une scène, mais que tu n'as pas besoin de savoir exactement où se trouve l'objet ou sa forme exacte.

Échantillons visuels

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

Modèles

YOLOv8 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 pour un modèle unique à plusieurs échelles sur Test DOTAv1 ensemble de données.
  Reproduire par yolo val obb data=DOTAv1.yaml device=0 split=test et soumettre les résultats fusionnés à Évaluation de DOTA.
• La vitesse moyenne sur les images DOTAv1 val à l'aide d'un Amazon EC2 P4d instance.
  Reproduire par yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

Train

Train YOLOv8n-obb sur le dota8.yaml pour 100 époques à une taille d'image de 640. Pour une liste complète des arguments disponibles, voir la page Configuration page.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.yaml")  # build a new model from YAML
model = YOLO("yolov8n-obb.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n-obb.yaml").load("yolov8n.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=yolov8n-obb.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolov8n-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=yolov8n-obb.yaml pretrained=yolov8n-obb.pt epochs=100 imgsz=640

Format des données

Le format du jeu de données OBB est détaillé dans le Guide des jeux de données.

Val

Valide la précision du modèle YOLOv8n-obb entraîné sur le jeu de données DOTA8. Aucun argument n'a besoin d'être passé 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("yolov8n-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=yolov8n-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

Utilise un modèle YOLOv8n-obb entraîné pour faire des prédictions sur les images.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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/bus.jpg")  # predict on an image

yolo obb predict model=yolov8n-obb.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo obb predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

Voir l'intégralité predict détails du mode dans la rubrique Prévoir page.

Exporter

Exporte un modèle YOLOv8n-obb vers un format différent comme ONNX, CoreML, etc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-obb.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Les formats d'exportation YOLOv8-obb disponibles sont présentés dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format à l'aide de la fonction format argument, 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=yolov8n-obb.onnx. Des exemples d'utilisation sont montrés pour ton modèle une fois l'exportation terminée.

Voir l'intégralité export détails dans le Exporter page.

FAQ

Qu'est-ce qu'une boîte de délimitation orientée (OBB) et en quoi diffère-t-elle d'une boîte de délimitation ordinaire ?

Les boîtes de délimitation orientées (OBB) comprennent un angle supplémentaire pour améliorer la précision de la localisation des objets dans les images. Contrairement aux boîtes de délimitation ordinaires, qui sont des rectangles alignés sur l'axe, 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 de l'objet, telles que l'imagerie aérienne ou satellitaire(Guide des jeux de données).

Comment entraîner un modèle YOLOv8n-obb à l'aide d'un ensemble de données personnalisé ?

Pour entraîner un modèle YOLOv8n-obb avec un ensemble de données personnalisé, suis l'exemple ci-dessous en utilisant Python ou CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov8n-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=yolov8n-obb.pt epochs=100 imgsz=640

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

Quels ensembles de données puis-je utiliser pour entraîner les modèles YOLOv8-OBB ?

YOLOv8-Les modèles OBB sont entraînés sur des ensembles de données comme DOTAv1, mais tu peux 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 YOLOv8-OBB au format ONNX ?

L'exportation d'un modèle YOLOv8-OBB au format ONNX est simple à réaliser en utilisant Python ou CLI:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.pt")

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

yolo export model=yolov8n-obb.pt format=onnx

Pour plus de formats d'exportation et de détails, reporte-toi à la page Exportation.

Comment valider l'exactitude d'un modèle YOLOv8n-obb ?

Pour valider un modèle YOLOv8n-obb, tu peux utiliser les commandes Python ou CLI comme indiqué ci-dessous :

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.pt")

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

yolo obb val model=yolov8n-obb.pt data=dota8.yaml

Tu trouveras tous les détails de la validation dans la section Val.

Commentaires