Rilevamento degli oggetti con caselle di delimitazione orientate

Il rilevamento di oggetti orientati fa un passo avanti rispetto al rilevamento di oggetti standard, introducendo un angolo in più per individuare gli oggetti in modo più preciso in un'immagine.

L'output di un rilevatore di oggetti orientati è un insieme di riquadri di delimitazione ruotati che racchiudono con precisione gli oggetti nell'immagine, insieme alle etichette di classe e ai punteggi di confidenza per ciascun riquadro. I riquadri di delimitazione orientati sono particolarmente utili quando gli oggetti appaiono con diverse angolazioni, come nelle immagini aeree, dove i tradizionali riquadri di delimitazione allineati agli assi possono includere uno sfondo non necessario.

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

Campioni visivi

Rilevamento delle navi tramite OBB	Rilevamento del veicolo tramite OBB

Modelli

YOLO11 Sono qui mostrati i modelli OBB preaddestrati sul dataset DOTAv1.

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

• ^mAPtest sono per il modello singolo a scala multipla su DOTAv1 set di dati.
  Riproduzione da yolo val obb data=DOTAv1.yaml device=0 split=test e inviare i risultati dell'unione a Valutazione DOTA.
• Velocità mediata sulle immagini DOTAv1 val utilizzando una Amazon EC2 P4d istanza.
  Riproduzione da yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

Treno

Addestra YOLO11n-obb sul set di dati DOTA8 per 100 epoche con dimensioni dell'immagine 640. Per un elenco completo degli argomenti disponibili, vedere la pagina di configurazione.

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 Ultralytics YOLO -OBB (Oriented Bounding Boxes) Modelli su DOTA Dataset usando Ultralytics HUB

Formato del set di dati

Il formato del set di dati OBB è descritto in dettaglio nella Guida ai set di dati. Il formato OBB di YOLO designa le bounding box attraverso 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

A livello interno, YOLO elabora le perdite e le uscite nel xywhr che rappresenta il formato riquadro di delimitazionepunto centrale (xy), larghezza, altezza e rotazione.

Val

Convalida del modello YOLO11n-obb addestrato precisione sul set di dati DOTA8. Non sono necessari argomenti, poiché l'opzione model mantiene la sua formazione data e gli argomenti come attributi del modello.

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

Prevedere

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

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.keypoints.xy  # 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 i serbatoi di stoccaggio utilizzando Ultralytics YOLO -OBB | Oriented Bounding Boxes | DOTA

Vedi tutto predict dettagli sulla modalità nella sezione Prevedere pagina.

Esportazione

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

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 disponibili di YOLO11-obb sono riportati nella tabella seguente. È possibile esportare in qualsiasi formato utilizzando l'opzione format cioè l'argomento format='onnx' o format='engine'. È possibile prevedere o convalidare direttamente i modelli esportati, ad es. yolo predict model=yolo11n-obb.onnx. Al termine dell'esportazione vengono mostrati esempi di utilizzo del modello.

Vedi tutto export dettagli nel Esportazione pagina.

Applicazioni del mondo reale

Il rilevamento di 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 e il monitoraggio della flotta.
• Pianificazione urbana: Analisi di edifici e infrastrutture da immagini aeree.
• Agricoltura: Monitoraggio delle colture e delle attrezzature agricole dalle riprese dei droni.
• Settore energetico: Ispezione di pannelli solari e turbine eoliche con diversi orientamenti.
• Trasporti: Tracciamento dei veicoli sulle strade e nei parcheggi da diverse prospettive.

Queste applicazioni traggono vantaggio dalla capacità di OBB di adattare con precisione gli oggetti a qualsiasi angolo, fornendo un rilevamento più accurato rispetto ai rettangoli di selezione tradizionali.

FAQ

Cosa sono gli Oriented Bounding Box (OBB) e come si differenziano dai normali bounding box?

Le Oriented Bounding Boxes (OBB) includono un angolo aggiuntivo per migliorare la precisione della localizzazione degli oggetti nelle immagini. A differenza delle bounding box normali, che sono rettangoli allineati agli assi, le 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 le immagini aeree o satellitari(Guida ai set di dati).

Come si addestra un modello YOLO11n-obb utilizzando un dataset personalizzato?

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

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 formazione, consultare la sezione Configurazione.

Quali dataset si possono utilizzare per l'addestramento dei modelli YOLO11-OBB?

YOLO11-I modelli OBB sono preaddestrati su set di dati come DOTAv1, ma è possibile utilizzare qualsiasi set di dati formattato per OBB. Per informazioni dettagliate sui formati dei set di dati OBB, consultare la Guida ai set di dati.

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

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

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, consultare la pagina Esportazione.

Come si convalida l'accuratezza di un modello YOLO11n-obb?

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

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

Per tutti i dettagli sulla convalida, consultare la sezione Val.

📅C reato 1 anno fa ✏️ Aggiornato 1 giorno fa

Commenti