Rilevamento di riquadri orientati con Ultralytics YOLO#

Il rilevamento di oggetti orientati amplia il rilevamento standard introducendo un angolo aggiuntivo per localizzare gli oggetti nell'immagine con maggiore precisione.

L'output di un rilevatore di oggetti orientati è un insieme di riquadri orientati che racchiudono con precisione gli oggetti nell'immagine, con l'etichetta di classe e il punteggio di confidenza per ogni riquadro. I riquadri orientati sono particolarmente utili quando gli oggetti si trovano a diverse angolazioni, ad esempio nelle immagini aeree, dove i tradizionali riquadri allineati agli assi possono includere aree di sfondo superflue. Tra gli usi tipici ci sono il rilevamento di navi e veicoli tramite satelliti e droni, l'analisi di edifici e infrastrutture per la pianificazione urbana, il monitoraggio delle colture e l'ispezione di pannelli solari o turbine eoliche.

Rilevamento di navi con OBB	Rilevamento di veicoli con OBB

Modelli#

Di seguito sono mostrati i modelli YOLO26 OBB pretrained sul dataset DOTAv1.

I modelli vengono scaricati automaticamente dalla più recente release di Ultralytics al primo utilizzo.

• I valori mAP^test si riferiscono a un singolo modello con valutazione multiscala sul dataset DOTAv1.
  Riproduci con yolo obb val data=DOTAv1.yaml device=0 split=test nms=False e invia i risultati aggregati alla valutazione DOTA.
• Velocità media sulle immagini di validazione di DOTAv1 con ONNX su CPU e TensorRT10 su una GPU NVIDIA T4.
  Riproduci con yolo obb val data=DOTAv1.yaml batch=1 device=0|cpu nms=False
• I valori di Parametri e FLOPs si riferiscono ai modelli fusi dopo la fusione di Conv/BatchNorm e la rimozione del ramo di rilevamento inutilizzato. I checkpoint preaddestrati mantengono l’architettura di addestramento completa e possono riportare valori più elevati.

Consulta l'anteprima non ancora rilasciata di YOLO27 per i risultati preliminari su DOTAv1.

Addestra#

Addestra YOLO26n-obb sul dataset DOTA8 per 100 epoche con una dimensione delle immagini di 640. Per l'elenco completo degli argomenti disponibili, consulta la pagina Configurazione.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n-obb.yaml")  # crea un nuovo modello dal file YAML
model = YOLO("yolo26n-obb.pt")  # carica un modello preaddestrato (consigliato per l'addestramento)
model = YOLO("yolo26n-obb.yaml").load("yolo26n-obb.pt")  # crea dal file YAML e trasferisci i pesi

# Addestra il modello
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

Consulta la pagina Addestramento per i dettagli completi sulla modalità train. Puoi addestrare i modelli OBB anche con l'addestramento cloud di Ultralytics Platform.

Formato del dataset#

Trovi tutti i dettagli sul formato dei dataset OBB nella Guida ai dataset. Il formato YOLO OBB definisce i riquadri tramite le coordinate dei quattro vertici, normalizzate tra 0 e 1, secondo questa struttura. Le annotazioni di Ultralytics Platform supportano le etichette OBB con uno strumento dedicato al disegno di riquadri orientati:

class_index x1 y1 x2 y2 x3 y3 x4 y4

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

Convalida#

Convalida l'accuratezza del modello YOLO26n-obb addestrato sul dataset DOTA8. Passa esplicitamente data affinché la convalida usi il file YAML del dataset previsto.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n-obb.pt")  # carica un modello ufficiale
model = YOLO("path/to/best.pt")  # carica un modello personalizzato

# Convalida il modello
metrics = model.val(data="dota8.yaml")  # convalida sul dataset DOTA8
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # un elenco contenente mAP50-95(B) per ogni categoria
metrics.box.image_metrics  # dizionario con le metriche per immagine: precisione, richiamo, F1, TP, FP e FN

Predici#

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

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n-obb.pt")  # carica un modello ufficiale
model = YOLO("path/to/best.pt")  # carica un modello personalizzato

# Esegui previsioni con il modello
results = model("https://ultralytics.com/images/boats.jpg")  # esegui una previsione su un’immagine

# Accedi ai risultati
for result in results:
    xywhr = result.obb.xywhr  # centro-x, centro-y, larghezza, altezza, angolo (radianti)
    xyxyxyxy = result.obb.xyxyxyxy  # formato poligonale a 4 punti
    names = [result.names[cls.item()] for cls in result.obb.cls.int()]  # nome della classe di ogni riquadro
    confs = result.obb.conf  # punteggio di confidenza di ogni riquadro

Consulta la pagina Previsione per i dettagli completi sulla modalità predict.

Passa save_crop=True per salvare un ritaglio allineato alla rotazione di ogni OBB alle dimensioni del relativo riquadro, come fa anche ObjectCropper.

Output dei risultati#

Il rilevamento di riquadri orientati restituisce un oggetto Results per immagine. Il campo principale della previsione è result.obb, che contiene i riquadri ruotati, gli ID di classe e i punteggi di confidenza per ogni oggetto rilevato.

Le etichette vengono canonicalizzate secondo la convenzione del lato lungo, ma le previsioni no; pertanto, result.obb.xywhr può indicare che w è minore di h, con la rotazione misurata dal lato corto. Entrambe le forme descrivono lo stesso rettangolo, quindi result.obb.xyxyxyxy è corretto in entrambi i casi. Se il codice a valle richiede la forma con il lato lungo, converti nuovamente i vertici, tenendo presente che la riscrittura dei parametri del riquadro può modificare ciclicamente l'ordine dei vertici:

from ultralytics.utils.ops import xyxyxyxy2xywhr

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

Per consultare i campi Results specifici di ogni attività, visita la sezione Risultati delle previsioni per attività.

Esporta#

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

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n-obb.pt")  # carica un modello ufficiale
model = YOLO("path/to/best.pt")  # carica un modello personalizzato

# Esporta il modello
model.export(format="onnx")

I formati di esportazione disponibili per YOLO26-obb sono elencati nella tabella seguente. Puoi esportare in qualsiasi formato usando l'argomento format, ad esempio format='onnx' o format='engine'. Puoi eseguire previsioni o convalidare direttamente i modelli esportati, ad esempio yolo predict model=yolo26n-obb.onnx. Al termine dell'esportazione, vengono mostrati esempi d'uso per il tuo modello.

nms=None restituisce per impostazione predefinita output grezzi per NMS esterno. Imposta nms=False per selezionare una head disponibile senza NMS; i formati non supportati utilizzano il proprio percorso di output nativo. Le voci nms qui sopra identificano i formati che possono integrare NMS con nms=True.

Consulta i dettagli completi di export nella pagina Esportazione.

Domande frequenti#