Rilevamento di oggetti con Bounding Box orientate

Il rilevamento di oggetti orientati fa un passo avanti rispetto al rilevamento di oggetti e introduce un angolo in più per individuare con maggiore precisione gli oggetti in un'immagine.

L'output di un rilevatore di oggetti orientato è un insieme di caselle di delimitazione ruotate che racchiudono esattamente gli oggetti nell'immagine, insieme alle etichette di classe e ai punteggi di confidenza per ogni casella. Il rilevamento di oggetti è una buona scelta quando devi identificare gli oggetti di interesse in una scena, ma non hai bisogno di sapere esattamente dove si trova l'oggetto o la sua forma esatta.

Campioni visivi

Rilevamento delle navi tramite OBB	Rilevamento del veicolo tramite OBB

Modelli

YOLOv8 Qui vengono mostrati i modelli OBB preaddestrati sul dataset DOTAv1.

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

• ^mAPtest I valori sono per il modello singolo multiscala su Test DOTAv1 set di dati.
  Riproduci da yolo val obb data=DOTAv1.yaml device=0 split=test e inviare i risultati unificati a Valutazione DOTA.
• Velocità mediata sulle immagini DOTAv1 val utilizzando una Amazon EC2 P4d istanza.
  Riproduci da yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

Treno

Treno YOLOv8n-obb sul dota8.yaml per 100 epoche con dimensioni dell'immagine 640. Per un elenco completo degli argomenti disponibili, consulta la sezione Configurazione pagina.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.yaml")  # build a new model from YAML
model = YOLO("yolov8n-obb.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n-obb.yaml").load("yolov8n.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=yolov8n-obb.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolov8n-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=yolov8n-obb.yaml pretrained=yolov8n-obb.pt epochs=100 imgsz=640

Formato del set di dati

Il formato del set di dati OBB è descritto in dettaglio nella Guida ai set di dati.

Val

Validate trained YOLOv8n-obb model accuracy on the DOTA8 dataset. No arguments are needed as the model mantiene la sua formazione data e gli argomenti come attributi del modello.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-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

Utilizza un modello YOLOv8n-obb addestrato per eseguire previsioni sulle immagini.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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/bus.jpg")  # predict on an image

yolo obb predict model=yolov8n-obb.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo obb predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

Vedi tutto predict i dettagli della modalità nella sezione Prevedere pagina.

Esportazione

Esporta un modello YOLOv8n-obb in un formato diverso come ONNX, CoreML, ecc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-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 YOLOv8-obb sono riportati nella tabella seguente. Puoi esportare in qualsiasi formato utilizzando l'opzione format argomento, vale a dire format='onnx' o format='engine'. Puoi prevedere o convalidare direttamente i modelli esportati, ad es. yolo predict model=yolov8n-obb.onnx. Al termine dell'esportazione vengono mostrati degli esempi di utilizzo per il tuo modello.

Vedi tutto export dettagli nella sezione Esportazione pagina.

DOMANDE FREQUENTI

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 l'accuratezza 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. Questo 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 posso addestrare un modello YOLOv8n-obb utilizzando un set di dati personalizzato?

Per addestrare un modello YOLOv8n-obb con un dataset personalizzato, segui l'esempio seguente utilizzando Python o CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov8n-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=yolov8n-obb.pt epochs=100 imgsz=640

Per ulteriori argomenti di formazione, consulta la sezione Configurazione.

Quali set di dati posso utilizzare per addestrare i modelli YOLOv8-OBB?

YOLOv8-I modelli OBB sono preaddestrati su dataset come DOTAv1, ma puoi utilizzare qualsiasi dataset formattato per OBB. Informazioni dettagliate sui formati dei set di dati OBB sono disponibili nella Guida ai set di dati.

Come posso esportare un modello YOLOv8-OBB nel formato ONNX ?

L'esportazione di un modello YOLOv8-OBB nel formato ONNX è semplice utilizzando Python o CLI:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.pt")

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

yolo export model=yolov8n-obb.pt format=onnx

Per ulteriori formati di esportazione e dettagli, consulta la pagina Esportazione.

Come posso convalidare l'accuratezza di un modello YOLOv8n-obb?

Per convalidare un modello YOLOv8n-obb, puoi utilizzare i comandi Python o CLI come mostrato di seguito:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.pt")

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

yolo obb val model=yolov8n-obb.pt data=dota8.yaml

Consulta i dettagli della convalida nella sezione Val.

📅 Created 8 months ago ✏️ Updated 2 days ago

Commenti