सामग्री पर जाएं

ओरिएंटेड बाउंडिंग बॉक्स ऑब्जेक्ट डिटेक्शन

ओरिएंटेड ऑब्जेक्ट डिटेक्शन ऑब्जेक्ट डिटेक्शन से एक कदम आगे जाता है और एक छवि में वस्तुओं को अधिक सटीक खोजने के लिए एक अतिरिक्त कोण पेश करता है।

एक उन्मुख ऑब्जेक्ट डिटेक्टर का आउटपुट घुमाए गए बाउंडिंग बॉक्स का एक सेट है जो छवि में वस्तुओं को बिल्कुल संलग्न करता है, साथ ही प्रत्येक बॉक्स के लिए क्लास लेबल और आत्मविश्वास स्कोर के साथ। ऑब्जेक्ट डिटेक्शन एक अच्छा विकल्प है जब आपको किसी दृश्य में रुचि की वस्तुओं की पहचान करने की आवश्यकता होती है, लेकिन यह जानने की आवश्यकता नहीं है कि ऑब्जेक्ट कहां है या उसका सटीक आकार है।

नोक

YOLOv8 OBB मॉडल का उपयोग करते हैं -obb प्रत्यय, अर्थात। yolov8n-obb.pt और पर पूर्वप्रशिक्षित हैं डीओटीएवी1.



सतर्कता: ऑब्जेक्ट डिटेक्शन का उपयोग करके Ultralytics YOLOv8 ओरिएंटेड बाउंडिंग बॉक्स (YOLOv8-ओबीबी)

दृश्य नमूने

OBB का उपयोग करके जहाजों का पता लगाना OBB का उपयोग करके वाहन का पता लगाना
OBB का उपयोग करके जहाजों का पता लगाना OBB का उपयोग करके वाहन का पता लगाना

मॉडल

YOLOv8 पूर्व-प्रशिक्षित OBB मॉडल यहां दिखाए गए हैं, जो DOTAv1 डेटासेट पर पूर्व-प्रशिक्षित हैं।

मॉडल नवीनतम से स्वचालित रूप से डाउनलोड करते हैं Ultralytics पहले उपयोग पर रिलीज करें।

को गढ़ना आकार वाला
(पिक्सेल)
मानचित्रपरीक्षा
50
गति
सीपीयू ONNX
(एमएस)
गति
ए100 TensorRT
(एमएस)
परम
(एम)
फ्लॉप
(बी)
YOLOv8n-ओबीबी 1024 78.0 204.77 3.57 3.1 23.3
YOLOv8s-ओबीबी 1024 79.5 424.88 4.07 11.4 76.3
YOLOv8m-ओबीबी 1024 80.5 763.48 7.61 26.4 208.6
YOLOv8l-ओबीबी 1024 80.7 1278.42 11.83 44.5 433.8
YOLOv8x-ओबीबी 1024 81.36 1759.10 13.23 69.5 676.7
  • एमएपीपरीक्षण मान एकल-मॉडल मल्टीस्केल पर हैं DOTAv1 परीक्षण डेटासेट।
    द्वारा प्रजनन करना yolo val obb data=DOTAv1.yaml device=0 split=test और मर्ज किए गए परिणाम सबमिट करें DOTA मूल्यांकन.
  • गति एक का उपयोग करके DOTAv1 val छवियों पर औसत अमेज़न EC2 P4d उदाहरण।
    द्वारा प्रजनन करना yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

रेलगाड़ी

रेलगाड़ी YOLOv8n-obb पर dota8.yaml छवि आकार 640 पर 100 युगों के लिए डेटासेट। उपलब्ध तर्कों की पूरी सूची के लिए देखें संरूपण पृष्ठ।

उदाहरण

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

डेटासेट प्रारूप

OBB डेटासेट प्रारूप डेटासेट गाइड में विस्तार से पाया जा सकता है।

वैल

प्रशिक्षित मान्य करें YOLOv8n-obb मॉडल सटीकता DOTA8 डेटासेट पर। किसी तर्क को पारित करने की आवश्यकता नहीं है model यह प्रशिक्षण बरकरार रखता है data और मॉडल विशेषताओं के रूप में तर्क।

उदाहरण

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

भविष्‍यवाणी करना

एक प्रशिक्षित का प्रयोग करें YOLOv8nछवियों पर भविष्यवाणियों को चलाने के लिए -OBB मॉडल।

उदाहरण

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

पूरा देखें predict मोड विवरण में भविष्‍यवाणी करना पृष्ठ।

निर्यातित माल

निर्यात a YOLOv8n-obb मॉडल की तरह एक अलग प्रारूप के लिए ONNX, CoreMLआदि।

उदाहरण

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

सुलभ YOLOv8-OBB निर्यात प्रारूप नीचे दी गई तालिका में हैं। आप निर्यात किए गए मॉडल पर सीधे भविष्यवाणी या मान्य कर सकते हैं, अर्थात। yolo predict model=yolov8n-obb.onnx. निर्यात पूर्ण होने के बाद आपके मॉडल के लिए उपयोग के उदाहरण दिखाए जाते हैं.

प्रारूप format युक्ति को गढ़ना मेटाडेटा तर्क
PyTorch - yolov8n-obb.pt -
TorchScript torchscript yolov8n-obb.torchscript imgsz, optimize
ONNX onnx yolov8n-obb.onnx imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n-obb_openvino_model/ imgsz, half, int8
TensorRT engine yolov8n-obb.engine imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n-obb.mlpackage imgsz, half, int8, nms
TF SavedModel saved_model yolov8n-obb_saved_model/ imgsz, keras
TF GraphDef pb yolov8n-obb.pb imgsz
TF लाइट tflite yolov8n-obb.tflite imgsz, half, int8
TF किनारा TPU edgetpu yolov8n-obb_edgetpu.tflite imgsz
TF।जे एस tfjs yolov8n-obb_web_model/ imgsz, half, int8
PaddlePaddle paddle yolov8n-obb_paddle_model/ imgsz
NCNN ncnn yolov8n-obb_ncnn_model/ imgsz, half

पूरा देखें export में विवरण निर्यातित माल पृष्ठ।



2024-01-05 बनाया गया, अपडेट किया गया 2024-03-03
लेखक: ग्लेन-जोचर (12), लाफिंग-क्यू (3), आयुषएक्सेल (1)

टिप्पणियाँ