Link to this sectionRilevamento oggetti con Oriented Bounding Boxes#

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.

Link to this sectionEsempi visivi#

Rilevamento navi tramite OBB	Rilevamento veicoli tramite OBB

Link to this sectionModelli#

Qui vengono mostrati i modelli OBB preaddestrati YOLO26, che sono stati addestrati sul dataset DOTAv1.

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

• I valori di mAP^test si riferiscono al modello singolo multiscala sul dataset DOTAv1.
  Riproducilo 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 del DOTAv1 utilizzando un'istanza Amazon EC2 P4d.
  Riproducila con yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
• I valori Parametri e FLOPs sono per il modello fuso dopo model.fuse(), che unisce i livelli Conv e BatchNorm e, per i modelli end2end, rimuove l'head di rilevamento ausiliaria one-to-many. I checkpoint preaddestrati mantengono l'intera architettura di addestramento e potrebbero mostrare conteggi più elevati.

Link to this sectionAddestramento#

Addestra YOLO26n-obb sul dataset DOTA8 per 100 epoche con una dimensione dell'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)

Link to this sectionFormato del dataset#

Il formato del dataset OBB può essere trovato in dettaglio nella Guida ai Dataset. Il formato YOLO OBB designa i bounding box tramite i loro quattro angoli con coordinate normalizzate tra 0 e 1, seguendo questa struttura. La Piattaforma Ultralytics supporta l'annotazione OBB con uno strumento dedicato per il disegno di oriented bounding box:

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 bounding box.

Link to this sectionValutazione#

Valida l'accuratezza del modello YOLO26n-obb addestrato sul dataset DOTA8. Non sono necessari argomenti poiché il model conserva i suoi 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

Link to this sectionPrevisione#

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

Vedi tutti i dettagli della modalità predict nella pagina Predict.

Link to this sectionOutput dei risultati#

Il rilevamento tramite oriented bounding box restituisce un oggetto Results per ogni immagine. Il campo di previsione principale è result.obb, che contiene i box ruotati, gli ID delle classi e i punteggi di confidenza per ogni oggetto rilevato.

Per i campi Results specifici per ogni attività, vedi la sezione Predizioni dei Risultati per Attività.

Link to this sectionEsportazione#

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 disponibili per YOLO26-obb sono nella tabella sottostante. Puoi esportare in qualsiasi formato utilizzando l'argomento format, ad esempio format='onnx' o format='engine'. Puoi eseguire previsioni o validazioni direttamente sui modelli esportati, ad esempio yolo predict model=yolo26n-obb.onnx. Esempi di utilizzo vengono mostrati per il tuo modello dopo il completamento dell'esportazione.

Vedi i dettagli completi dell'export nella pagina Export.

Link to this sectionApplicazioni nel mondo reale#

Il rilevamento OBB con YOLO26 ha numerose applicazioni pratiche in diversi settori:

• Gestione marittima e portuale: Rilevamento di navi e imbarcazioni con 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.

Link to this sectionFAQ#

Link to this sectionCosa sono gli Oriented Bounding Boxes (OBB) e in cosa differiscono dai normali bounding box?#

Gli Oriented Bounding Boxes (OBB) includono un angolo aggiuntivo per migliorare la precisione della localizzazione degli oggetti nelle immagini. A differenza dei normali bounding box, che sono rettangoli allineati agli assi, gli OBB possono ruotare per adattarsi meglio all'orientamento dell'oggetto. Ciò è particolarmente utile per le applicazioni che richiedono un posizionamento preciso degli oggetti, come nelle immagini aeree o satellitari (Guida ai Dataset).

Link to this sectionCome posso addestrare un modello YOLO26n-obb utilizzando un dataset personalizzato?#

Per addestrare un modello YOLO26n-obb con un dataset personalizzato, segui l'esempio qui sotto utilizzando Python o la CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-obb.pt")

# Train the model
results = model.train(data="path/to/custom_dataset.yaml", epochs=100, imgsz=640)

Per ulteriori argomenti di addestramento, controlla la sezione Configurazione.

Link to this sectionQuali dataset posso utilizzare per l'addestramento dei modelli YOLO26-OBB?#

I modelli YOLO26-OBB sono preaddestrati su dataset come DOTAv1, ma puoi utilizzare qualsiasi dataset formattato per OBB. Informazioni dettagliate sui formati dei dataset OBB possono essere trovate nella Guida ai Dataset.

Link to this sectionCome posso esportare un modello YOLO26-OBB in formato ONNX?#

L'esportazione di un modello YOLO26-OBB in formato ONNX è semplice utilizzando Python o la CLI:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")

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

Per ulteriori formati di esportazione e dettagli, fai riferimento alla pagina Esportazione.

Link to this sectionCome faccio a validare l'accuratezza di un modello YOLO26n-obb?#

Per validare un modello YOLO26n-obb, puoi utilizzare i comandi Python o CLI come mostrato di seguito:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")

# Validate the model
metrics = model.val(data="dota8.yaml")

Vedi i dettagli completi della validazione nella sezione Val.