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.
Astuce
YOLOv8 Les modèles OBB utilisent le -obb
suffixe, c'est-Ă -dire yolov8n-obb.pt
et sont formés à l'avance sur DOTAv1.
Regarde : DĂ©tection d'objets Ă l'aide de Ultralytics YOLOv8 Oriented Bounding Boxes (YOLOv8-OBB) |
Regarde : DĂ©tection d'objets avec YOLOv8-OBB avec Ultralytics HUB |
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.
Modèle | taille (pixels) |
mAPtest 50 |
Vitesse CPU ONNX (ms) |
Vitesse A100 TensorRT (ms) |
params (M) |
FLOPs (B) |
---|---|---|---|---|---|---|
YOLOv8n-obb | 1024 | 78.0 | 204.77 | 3.57 | 3.1 | 23.3 |
YOLOv8s-obb | 1024 | 79.5 | 424.88 | 4.07 | 11.4 | 76.3 |
YOLOv8m-obb | 1024 | 80.5 | 763.48 | 7.61 | 26.4 | 208.6 |
YOLOv8l-obb | 1024 | 80.7 | 1278.42 | 11.83 | 44.5 | 433.8 |
YOLOv8x-obb | 1024 | 81.36 | 1759.10 | 13.23 | 69.5 | 676.7 |
- mAPtest Les valeurs sont pour un modèle unique à plusieurs échelles sur Test DOTAv1 ensemble de données.
Reproduire paryolo 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 paryolo 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.
Exemple
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.
Exemple
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
Prévoir
Utilise un modèle YOLOv8n-obb entraîné pour faire des prédictions sur les images.
Exemple
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.
Exemple
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-Ă -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.
Format | format Argument |
Modèle | Métadonnées | Arguments |
---|---|---|---|---|
PyTorch | - | yolov8n-obb.pt |
âś… | - |
TorchScript | torchscript |
yolov8n-obb.torchscript |
âś… | imgsz , optimize , batch |
ONNX | onnx |
yolov8n-obb.onnx |
âś… | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n-obb_openvino_model/ |
âś… | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n-obb.engine |
âś… | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolov8n-obb.mlpackage |
âś… | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n-obb_saved_model/ |
âś… | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n-obb.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n-obb.tflite |
âś… | imgsz , half , int8 , batch |
TF Bord TPU | edgetpu |
yolov8n-obb_edgetpu.tflite |
âś… | imgsz , batch |
TF.js | tfjs |
yolov8n-obb_web_model/ |
âś… | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n-obb_paddle_model/ |
âś… | imgsz , batch |
NCNN | ncnn |
yolov8n-obb_ncnn_model/ |
âś… | imgsz , half , batch |
Voir l'intégralité export
détails dans le Exporter page.
Créé le 2024-01-05, Mis à jour le 2024-05-08
Auteurs : Burhan-Q (3), glenn-jocher (16), Laughing-q (3), AyushExel (1)