Rilevamento di Bounding Box Orientati con YOLO di Ultralytics#

Il rilevamento orientato degli oggetti fa un passo oltre il rilevamento standard degli oggetti introducendo un angolo aggiuntivo per localizzare gli oggetti con maggiore precisione in un'immagine.

L'output di un rilevatore orientato di oggetti è un insieme di riquadri delimitatori ruotati che racchiudono con precisione gli oggetti nell'immagine, insieme alle etichette delle classi e ai punteggi di confidenza per ogni riquadro. I riquadri delimitatori orientati sono particolarmente utili quando gli oggetti appaiono secondo angolazioni diverse, ad esempio nelle immagini aeree, dove i tradizionali riquadri delimitatori allineati agli assi possono includere sfondo non necessario.

Esempi visivi#

Rilevamento di navi con OBB	Rilevamento di veicoli con OBB

Modelli#

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

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

• I valori mAP^test si riferiscono al multiscala con un singolo modello sulle immagini del dataset DOTAv1.
  Riproduci usando yolo val obb data=DOTAv1.yaml device=0 split=test nms=False e invia i risultati uniti a DOTA evaluation.
• La velocità è calcolata come media sulle immagini di validazione di DOTAv1 utilizzando un'istanza Amazon EC2 P4d.
  Riproduci usando yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu nms=False
• I valori di Params e FLOPs si riferiscono a modelli fusi dopo il folding di Conv/BatchNorm e la rimozione del ramo di rilevamento non utilizzato. I checkpoint preaddestrati mantengono l'intera architettura di addestramento e potrebbero mostrare conteggi superiori.

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

Addestramento#

Addestra YOLO26n-obb sul dataset DOTA8 per 100 epoche con una dimensione delle immagini pari a 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 dei dataset OBB è descritto in dettaglio nella Guida ai dataset. Il formato YOLO OBB definisce i riquadri delimitatori tramite i quattro punti degli angoli, con coordinate normalizzate tra 0 e 1, secondo questa struttura. L'annotazione sulla piattaforma Ultralytics supporta le etichette OBB con uno strumento dedicato per disegnare i riquadri delimitatori orientati:

class_index x1 y1 x2 y2 x3 y3 x4 y4

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

Val#

Convalida l'accuratezza del modello addestrato YOLO26n-obb sul dataset DOTA8. Non sono necessari argomenti perché model conserva i dati di addestramento data 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")  # validate on the DOTA8 dataset
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

Predizione#

Utilizza un modello YOLO26n-obb addestrato per eseguire predizioni 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

Consulta la pagina Predict per tutti i dettagli sulla modalità predict.

Output dei risultati#

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

Le etichette vengono canonicalizzate secondo la convenzione del lato lungo, ma le predizioni no, quindi result.obb.xywhr può indicare w più piccolo 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. Converti nuovamente gli angoli quando il codice a valle richiede la forma con lato lungo, tenendo presente che la riscrittura dei parametri del riquadro può modificare 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 Results specifici dell'attività in tutte le attività, consulta la sezione Risultati delle predizioni per attività.

Esportazione#

Esporta un modello YOLO26n-obb in un formato diverso, ad esempio 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 riportati nella tabella seguente. Puoi esportare in qualsiasi formato utilizzando l'argomento format, ovvero format='onnx' o format='engine'. Puoi eseguire predizioni o convalide direttamente sui modelli esportati, ovvero yolo predict model=yolo26n-obb.onnx. Al termine dell'esportazione vengono mostrati esempi di utilizzo per il tuo modello.

nms=None utilizza i valori predefiniti per gli output grezzi per la NMS esterna. Imposta nms=False per selezionare una testa senza NMS disponibile; i formati non supportati ricorrono al loro percorso di output nativo. Le voci nms sopra indicano i formati che possono incorporare la NMS con nms=True.

Consulta la pagina Export per tutti i dettagli su 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 secondo angolazioni diverse per la gestione della flotta e il monitoraggio.
• Pianificazione urbana: analisi di edifici e infrastrutture a partire 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 orientamenti diversi.
• Trasporti: monitoraggio dei veicoli su strade e parcheggi da diverse prospettive.

Queste applicazioni traggono vantaggio dalla capacità degli OBB di adattarsi con precisione agli oggetti a qualsiasi angolazione, offrendo un rilevamento più accurato rispetto ai riquadri delimitatori tradizionali.

FAQ#