Vai al contenuto

Oriented Bounding Box Object Detection

Il rilevamento di oggetti orientati va un passo oltre il rilevamento di oggetti standard, introducendo un angolo aggiuntivo per localizzare gli oggetti in modo più preciso in un'immagine.

L'output di un rilevatore di oggetti orientati è un insieme di bounding box ruotati che racchiudono precisamente gli oggetti nell'immagine, insieme alle etichette di classe e ai punteggi di confidenza per ogni box. I bounding box orientati sono particolarmente utili quando gli oggetti appaiono a varie angolazioni, come nelle immagini aeree, dove i tradizionali bounding box allineati agli assi possono includere uno sfondo non necessario.

Suggerimento

I modelli YOLO11 OBB utilizzano il -obb suffisso, cioè yolo11n-obb.pt e sono pre-addestrati su DOTAv1.



Guarda: Rilevamento di oggetti utilizzando Ultralytics YOLO Oriented Bounding Boxes (YOLO-OBB)

Esempi visivi

Rilevamento di navi tramite OBB Rilevamento di veicoli tramite OBB
Rilevamento di navi tramite OBB Rilevamento di veicoli tramite OBB

Modelli

I modelli OBB pre-addestrati YOLO11 sono mostrati qui, pre-addestrati sul set di dati DOTAv1.

I modelli vengono scaricati automaticamente dall'ultima release di Ultralytics al primo utilizzo.

Modello dimensione
(pixel)
mAPtest
50
Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
YOLO11n-obb 1024 78.4 117.6 ± 0.8 4.4 ± 0.0 2.7 17.2
YOLO11s-obb 1024 79.5 219.4 ± 4.0 5.1 ± 0.0 9.7 57.5
YOLO11m-obb 1024 80.9 562,8 ± 2,9 10.1 ± 0.4 20.9 183.5
YOLO11l-obb 1024 81.0 712.5 ± 5.0 13.5 ± 0.6 26.2 232.0
YOLO11x-obb 1024 81.3 1408.6 ± 7.7 28.6 ± 1.0 58.8 520.2
  • mAPtest i valori si riferiscono al multiscala a modello singolo su DOTAv1 dataset.
    Riproduci tramite yolo val obb data=DOTAv1.yaml device=0 split=test e invia i risultati uniti a Valutazione DOTA.
  • Velocità mediato sulle immagini val DOTAv1 usando un Amazon EC2 P4d instance.
    Riproduci tramite yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

Addestramento

Addestra YOLO11n-obb sul set di dati DOTA8 per 100 epoche alla dimensione dell'immagine di 640. Per un elenco completo degli argomenti disponibili, consulta la pagina Configurazione.

Nota

Gli angoli OBB sono limitati all'intervallo 0-90 gradi (escluso 90). Gli angoli di 90 gradi o superiori non sono supportati.

Esempio

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



Guarda: Come addestrare modelli Ultralytics YOLO-OBB (Oriented Bounding Boxes) sul dataset DOTA utilizzando Ultralytics HUB

Formato del set di dati

Il formato del dataset OBB può essere trovato in dettaglio nella Guida al Dataset. Il formato YOLO OBB designa i riquadri di delimitazione tramite i loro quattro punti d'angolo con coordinate normalizzate tra 0 e 1, seguendo questa struttura:

class_index x1 y1 x2 y2 x3 y3 x4 y4

Internamente, YOLO elabora le perdite e gli output in xywhr formato, che rappresenta il riquadro di delimitazioneil punto centrale (xy), la larghezza, l'altezza e la rotazione di .

Valutazione

Convalida del modello YOLO11n-obb addestrato accuratezza sul dataset DOTA8. Non sono necessari argomenti poiché il model mantiene il suo training data e gli argomenti come attributi del modello.

Esempio

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

Predizione

Utilizza un modello YOLO11n-obb addestrato per eseguire previsioni sulle immagini.

Esempio

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

# 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
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



Guarda: Come rilevare e tracciare serbatoi di stoccaggio utilizzando Ultralytics YOLO-OBB | Bounding box orientati | DOTA

Vedi tutti i predict dettagli della modalità nella Predizione pagina.

Esportazione

Esporta un modello YOLO11n-obb in un formato diverso come ONNX, CoreML, ecc.

Esempio

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

I formati di esportazione YOLO11-obb disponibili sono nella tabella seguente. Puoi esportare in qualsiasi formato usando il format argomento, ad esempio format='onnx' oppure format='engine'. Puoi prevedere o convalidare direttamente sui modelli esportati, ad esempio yolo predict model=yolo11n-obb.onnx. Esempi di utilizzo vengono mostrati per il tuo modello dopo che l'esportazione è stata completata.

Formato format Argomento Modello Metadati Argomenti
PyTorch - yolo11n-obb.pt -
TorchScript torchscript yolo11n-obb.torchscript imgsz, half, dynamic, optimize, nms, batch, device
ONNX onnx yolo11n-obb.onnx imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINO openvino yolo11n-obb_openvino_model/ imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRT engine yolo11n-obb.engine imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreML coreml yolo11n-obb.mlpackage imgsz, half, int8, nms, batch, device
TF SavedModel saved_model yolo11n-obb_saved_model/ imgsz, keras, int8, nms, batch, device
TF GraphDef pb yolo11n-obb.pb imgsz, batch, device
TF Lite tflite yolo11n-obb.tflite imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPU edgetpu yolo11n-obb_edgetpu.tflite imgsz, device
TF.js tfjs yolo11n-obb_web_model/ imgsz, half, int8, nms, batch, device
PaddlePaddle paddle yolo11n-obb_paddle_model/ imgsz, batch, device
MNN mnn yolo11n-obb.mnn imgsz, batch, int8, half, device
NCNN ncnn yolo11n-obb_ncnn_model/ imgsz, half, batch, device
IMX500 imx yolo11n-obb_imx_model/ imgsz, int8, data, fraction, device
RKNN rknn yolo11n-obb_rknn_model/ imgsz, batch, name, device

Vedi tutti i export dettagli nella Esportazione pagina.

Applicazioni nel mondo reale

Il rilevamento OBB con YOLO11 ha numerose applicazioni pratiche in vari settori:

  • Gestione Marittima e Portuale: Rilevamento di navi e imbarcazioni a varie angolazioni per la gestione della flotta e il monitoraggio.
  • Pianificazione urbana: Analisi di edifici e infrastrutture da immagini aeree.
  • Agricoltura: Monitoraggio di colture e attrezzature agricole tramite riprese di droni.
  • Settore energetico: Ispezione di pannelli solari e turbine eoliche a diversi orientamenti.
  • Trasporti: Monitoraggio dei veicoli su strade e parcheggi da varie prospettive.

Queste applicazioni traggono vantaggio dalla capacità di OBB di adattare con precisione gli oggetti a qualsiasi angolazione, fornendo una detection più accurata rispetto alle tradizionali bounding box.

FAQ

Cosa sono gli Oriented Bounding Box (OBB) e in cosa differiscono dai bounding box regolari?

Gli Oriented Bounding Box (OBB) includono un angolo aggiuntivo per migliorare l'accuratezza della localizzazione degli oggetti nelle immagini. A differenza delle normali bounding box, che sono rettangoli allineati agli assi, gli OBB possono ruotare per adattarsi meglio all'orientamento dell'oggetto. Questo è particolarmente utile per le applicazioni che richiedono un posizionamento preciso degli oggetti, come le immagini aeree o satellitari (Guida al set di dati).

Come posso addestrare un modello YOLO11n-obb utilizzando un dataset personalizzato?

Per addestrare un modello YOLO11n-obb con un dataset personalizzato, segui l'esempio seguente utilizzando python o CLI:

Esempio

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

Per ulteriori argomenti di training, consultare la sezione Configurazione.

Quali set di dati posso utilizzare per l'addestramento dei modelli YOLO11-OBB?

I modelli YOLO11-OBB sono pre-addestrati su dataset come DOTAv1, ma è possibile utilizzare qualsiasi dataset formattato per OBB. Informazioni dettagliate sui formati dei dataset OBB sono disponibili nella Guida ai Dataset.

Come posso esportare un modello YOLO11-OBB in formato ONNX?

L'esportazione di un modello YOLO11-OBB in formato ONNX è semplice tramite Python o CLI:

Esempio

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

Per ulteriori formati di esportazione e dettagli, consulta la pagina Esportazione.

Come posso convalidare l'accuratezza di un modello YOLO11n-obb?

Per convalidare un modello YOLO11n-obb, puoi utilizzare i comandi Python o CLI come mostrato di seguito:

Esempio

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

Vedi i dettagli completi della convalida nella sezione Val.



📅 Creato 1 anno fa ✏️ Aggiornato 5 giorni fa

Commenti