Riquadri di delimitazione orientati (OBB) Object Detection#

Il rilevamento di oggetti orientati fa un passo avanti rispetto al normale rilevamento di oggetti, introducendo un angolo aggiuntivo per localizzare gli oggetti con maggiore precisione in un'immagine.

L'output di un rilevatore di oggetti orientati è un set di bounding box ruotati che racchiudono con precisione gli oggetti nell'immagine, insieme alle etichette di classe e ai punteggi di confidenza per ogni box. Gli oriented bounding box sono particolarmente utili quando gli oggetti appaiono con varie angolazioni, come nelle immagini aeree, dove i tradizionali bounding box allineati agli assi potrebbero includere uno sfondo superfluo.

Esempi visivi#

Rilevamento navi tramite OBB	Rilevamento veicoli tramite OBB

Modelli#

Qui vengono mostrati i modelli OBB preaddestrati YOLO26, i quali sono preaddestrati sul dataset DOTAv1.

I Modelli vengono scaricati automaticamente dall'ultimo rilascio di Ultralytics al primo utilizzo.

• mAP^test i valori si riferiscono a modello singolo multiscala sul dataset DOTAv1.
  Riproduci con yolo val obb data=DOTAv1.yaml device=0 split=test e invia i risultati uniti alla valutazione DOTA.
• Velocità mediata sulle immagini di validazione di DOTAv1 utilizzando un'istanza Amazon EC2 P4d.
  Riproduci tramite yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
• I valori di Params e FLOPs si riferiscono al modello fuso dopo model.fuse(), che unisce i layer Conv e BatchNorm e, per i modelli end2end, rimuove la testa di rilevamento ausiliaria one-to-many. I checkpoint preaddestrati mantengono l'architettura di addestramento completa e potrebbero mostrare conteggi più elevati.

Addestramento#

Allena YOLO26n-obb sul dataset DOTA8 per 100 epoche a una dimensione di immagine di 640. Per un elenco completo degli argomenti disponibili, consulta la pagina Configurazione.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.yaml")  # build a new model from YAML
model = YOLO("yolo26n-obb.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-obb.yaml").load("yolo26n-obb.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Formato del dataset#

Il formato del dataset OBB può essere trovato in dettaglio nella Guida ai 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. L'annotazione della piattaforma Ultralytics supporta le etichette OBB con uno strumento di disegno di riquadri di delimitazione orientati dedicato:

class_index x1 y1 x2 y2 x3 y3 x4 y4

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

Valutazione#

Valida l'accuratezza del modello YOLO26n-obb addestrato sul dataset DOTA8. Non sono necessari argomenti poiché il model mantiene il suo data di addestramento e gli argomenti come attributi del modello.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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 containing mAP50-95(B) for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Previsione#

Usa un modello YOLO26n-obb addestrato per eseguire previsioni sulle immagini.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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

Visualizza i dettagli completi della modalità predict nella pagina Predict.

Output dei risultati#

Il rilevamento di riquadri di delimitazione orientati restituisce un oggetto Results per immagine. Il campo di predizione principale è result.obb, che contiene riquadri ruotati, ID di classe e punteggi di confidenza per ciascun oggetto rilevato.

Le etichette sono canonicalizzate secondo la convenzione del lato lungo ma le predizioni non lo sono, quindi result.obb.xywhr potrebbe riportare w più piccolo di h con la rotazione misurata dal bordo corto. Entrambe le forme descrivono lo stesso rettangolo, quindi result.obb.xyxyxyxy è corretto in entrambi i casi. Converti nuovamente gli angoli quando il codice a valle richiede la forma a lato lungo, tenendo presente che la riscrittura dei parametri del riquadro potrebbe spostare ciclicamente l'ordine degli angoli:

from ultralytics.utils.ops import xyxyxyxy2xywhr

xywhr = xyxyxyxy2xywhr(result.obb.xyxyxyxy)  # w >= h, rotation in [-pi/4, 3pi/4)

Per i campi specifici dell'attività Results relativi a ogni attività, consulta la sezione Risultati di predizione per attività.

Esportazione#

Esporta un modello YOLO26n-obb in un formato diverso come ONNX, CoreML, ecc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

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

I formati di esportazione YOLO26-obb disponibili sono nella tabella sottostante. Puoi esportare in qualsiasi formato utilizzando l'argomento format, ad esempio format='onnx' o format='engine'. Puoi effettuare predizioni o validazioni direttamente su modelli esportati, ad esempio yolo predict model=yolo26n-obb.onnx. Gli esempi d'uso vengono mostrati per il tuo modello al termine dell'esportazione.

Visualizza i dettagli completi di export nella pagina Export.

Applicazioni nel mondo reale#

Il rilevamento OBB con YOLO26 ha numerose applicazioni pratiche in diversi 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 delle colture e delle attrezzature agricole da riprese effettuate con droni.
• Settore energetico: Ispezione di pannelli solari e turbine eoliche con diverse orientazioni.
• Trasporti: Tracciamento di veicoli su strade e parcheggi da varie prospettive.

Queste applicazioni beneficiano della capacità dell'OBB di adattarsi con precisione agli oggetti con qualsiasi angolazione, fornendo un rilevamento più accurato rispetto ai tradizionali bounding box.

FAQ#