コンテンツへスキップ

配向バウンディングボックスによる物体検出

配向物体検出は、物体検出よりもさらに一歩進んで、画像内の物体をより正確に特定するために余分な角度を導入する。

オブジェクト検出の出力は、画像内のオブジェクトを正確に囲む回転したバウンディングボックスの集合と、各ボックスのクラスラベルと信頼度スコアです。オブジェクト検出は、シーン内の興味のあるオブジェクトを識別する必要があるが、オブジェクトの位置や正確な形状を正確に知る必要がない場合に適しています。

チップ

YOLOv8 OBBモデルは -obb サフィックス、すなわち yolov8n-obb.pt で事前に訓練されている。 DOTAv1.


見るんだ： Ultralytics YOLOv8 Oriented Bounding Boxes (YOLOv8-OBB ) を用いた物体検出
見るんだ： Ultralytics HUBを使用したYOLOv8-OBBによる物体検出

ビジュアル・サンプル

OBBを使った船舶検知 OBBによる車両検出
OBBを使った船舶検知 OBBによる車両検出

モデル

YOLOv8 ここでは、DOTAv1データセットで事前訓練されたOBBモデルを示す。

モデルは、初回使用時に最新のUltralytics リリースから自動的にダウンロードされます。

モデル サイズ
(ピクセル)		 mAPtest
50		 速度
CPU ONNX
(ms)		 速度
A100 TensorRT
(ms)		 params
(M)		 FLOPs
(B)
YOLOv8n-オッブ 1024 78.0 204.77 3.57 3.1 23.3
YOLOv8s-オッブ 1024 79.5 424.88 4.07 11.4 76.3
YOLOv8m-オッブ 1024 80.5 763.48 7.61 26.4 208.6
YOLOv8l-オッブ 1024 80.7 1278.42 11.83 44.5 433.8
YOLOv8x-オッブ 1024 81.36 1759.10 13.23 69.5 676.7
  • マッペテスト 数値はシングルモデルのマルチスケールのものである。 DOTAv1テスト データセット。
    複製する yolo val obb data=DOTAv1.yaml device=0 split=test に提出する。 DOTAの評価.
  • スピード を使用してDOTAv1の画像を平均化した。 アマゾンEC2 P4d インスタンスだ。
    複製する yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

電車

電車YOLOv8n-obb on the dota8.yaml データセットを画像サイズ640で100エポック。使用可能な引数の一覧は 構成 ページを参照されたい。

例

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

データセット形式

OBBデータセットの形式は、データセットガイドに詳しく記載されている。

バル

DOTA8 データセットで学習したYOLOv8n-obb モデルの精度を検証する。として引数を渡す必要はない。 model トレーニング data と引数をモデル属性として使用する。

例

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

予測する

学習済みのYOLOv8n-obbモデルを使って、画像の予測を実行する。

例

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

詳細を見る predict モードの詳細は 予測する ページを参照されたい。

輸出

YOLOv8n-obb モデルを、ONNX 、CoreML などの異なるフォーマットにエクスポートします。

例

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

利用可能なYOLOv8-obb エクスポートフォーマットは以下の表の通りです。どのフォーマットにも format 引数、すなわち format='onnx' または format='engine'.エクスポートされたモデルを直接予測または検証することができます。 yolo predict model=yolov8n-obb.onnx.使用例は、エクスポート完了後に表示されます。

フォーマット format 議論 モデル メタデータ 論争
PyTorch - yolov8n-obb.pt ✅ -
TorchScript torchscript yolov8n-obb.torchscript ✅ imgsz, optimize, batch
ONNX onnx yolov8n-obb.onnx ✅ imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n-obb_openvino_model/ ✅ imgsz, half, int8, batch
TensorRT engine yolov8n-obb.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n-obb.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n-obb_saved_model/ ✅ imgsz, keras, int8, batch
TF GraphDef pb yolov8n-obb.pb ❌ imgsz, batch
TF ライト tflite yolov8n-obb.tflite ✅ imgsz, half, int8, batch
TF エッジTPU edgetpu yolov8n-obb_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n-obb_web_model/ ✅ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n-obb_paddle_model/ ✅ imgsz, batch
NCNN ncnn yolov8n-obb_ncnn_model/ ✅ imgsz, half, batch

詳細を見る export 詳細は 輸出 ページを参照されたい。

よくあるご質問

オリエンテッド・バウンディング・ボックス（OBB）とは何か、通常のバウンディング・ボックスとどう違うのか？

OBB（Oriented Bounding Boxes）は、画像中のオブジェクトの位置決め精度を高めるために、追加の角度を含んでいる。軸に沿った長方形である通常のバウンディングボックスとは異なり、OBBはオブジェクトの向きに合わせて回転することができます。これは、航空写真や衛星写真など、正確なオブジェクトの配置が必要なアプリケーションで特に役立ちます（Dataset Guide）。

カスタムデータセットを使ってYOLOv8n-obb モデルをトレーニングするには？

YOLOv8n-obb モデルをカスタムデータセットでトレーニングするには、Python またはCLI を使って、以下の例に従ってください：

例

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

その他のトレーニング引数については、コンフィギュレーションセクションをチェックしてください。

YOLOv8-OBB モデルのトレーニングに使用できるデータセットは？

YOLOv8-OBBモデルはDOTAv1のようなデータセットで事前に学習されますが、OBB用にフォーマットされたデータセットであれば何でも使用できます。OBBデータセットのフォーマットに関する詳しい情報は、データセットガイドにあります。

YOLOv8-OBB モデルをONNX フォーマットにエクスポートする方法を教えてください。

YOLOv8-OBB モデルをONNX フォーマットにエクスポートするには、Python またはCLI を使用します：

例

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

その他のエクスポート形式や詳細については、エクスポートのページを参照してください。

YOLOv8n-obbモデルの精度を検証するには？

YOLOv8n-obbモデルを検証するには、以下のようにPython またはCLI コマンドを使用します：

例

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

バリデーションの詳細については、Valセクションを参照。



作成日：2024-01-05 更新日：2024-07-04
著者：glenn-jocher(22),Burhan-Q(4),Laughing-q(3),AyushExel(1)

コメント