회전된 바운딩 박스(OBB) Object Detection#

회전된 객체 탐지는 이미지 내의 객체 위치를 더 정확하게 파악하기 위해 각도를 추가하여 표준 객체 탐지보다 한 단계 더 나아갑니다.

회전된 객체 탐지기의 출력은 이미지 내 객체를 정밀하게 둘러싸는 회전된 경계 상자 세트이며, 각 상자에 대한 클래스 레이블과 신뢰도 점수가 함께 제공됩니다. 회전된 경계 상자는 항공 이미지와 같이 객체가 다양한 각도로 나타나는 경우에 특히 유용한데, 이는 기존의 축 정렬 경계 상자가 불필요한 배경을 포함할 수 있기 때문입니다.

시각적 샘플#

OBB를 사용한 선박 탐지	OBB를 사용한 차량 탐지

Models#

여기에 표시된 YOLO26 사전 학습된 OBB 모델은 DOTAv1 데이터셋에서 사전 학습되었습니다.

Models는 첫 사용 시 최신 Ultralytics release에서 자동으로 다운로드됩니다.

• mAP^test 값은 DOTAv1 데이터셋에서의 단일 모델 다중 스케일 기준입니다.
  yolo val obb data=DOTAv1.yaml device=0 split=test(으)로 재현하고 병합된 결과를 DOTA evaluation에 제출하세요.
• Amazon EC2 P4d 인스턴스를 사용하여 DOTAv1 검증 이미지에서 평균 낸 **속도(Speed)**입니다.
  yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu(으)로 재현하세요.
• Params 및 FLOPs 값은 Conv 및 BatchNorm 레이어를 병합하고 end2end 모델의 경우 보조 one-to-many 탐지 헤드를 제거하는 model.fuse() 이후의 융합 모델 기준입니다. 사전 학습된 체크포인트는 전체 학습 아키텍처를 유지하므로 더 높은 수치를 보일 수 있습니다.

학습(Train)#

이미지 크기 640으로 DOTA8 데이터셋에서 100 epochs 동안 YOLO26n-obb를 학습시킵니다. 사용 가능한 전체 인자 목록은 Configuration 페이지를 참조하세요.

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)

데이터셋 형식#

OBB 데이터셋 형식에 대한 자세한 내용은 Dataset Guide에서 확인할 수 있습니다. YOLO OBB 형식은 이 구조에 따라 좌표가 0과 1 사이로 정규화된 네 개의 모서리 점으로 바운딩 박스를 지정합니다. Ultralytics Platform annotation은 전용 회전 바운딩 박스 그리기 도구를 사용하여 OBB 레이블을 지원합니다:

class_index x1 y1 x2 y2 x3 y3 x4 y4

내부적으로 YOLO는 bounding box의 중심점(xy), 너비, 높이, 회전을 나타내는 xywhr 형식으로 손실과 출력을 처리합니다.

검증(Val)#

DOTA8 데이터셋에서 학습된 YOLO26n-obb 모델 accuracy를 검증합니다. model이 학습된 data 및 인자를 모델 속성으로 유지하므로 인자가 필요하지 않습니다.

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

추론(Predict)#

훈련된 YOLO26n-obb 모델을 사용하여 이미지에 대한 예측을 수행합니다.

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

전체 predict 모드 세부 정보는 Predict 페이지에서 확인하세요.

결과 출력#

회전된 바운딩 박스 검출은 이미지당 하나의 Results 객체를 반환합니다. 주요 예측 필드는 result.obb이며, 이는 검출된 각 객체에 대한 회전된 박스, 클래스 ID, 신뢰도 점수를 포함합니다.

레이블은 긴 변 규칙으로 표준화되지만 예측은 그렇지 않으므로 result.obb.xywhr은 짧은 변에서 측정한 회전과 함께 h보다 작은 w을 보고할 수 있습니다. 두 형식 모두 동일한 직사각형을 설명하므로 어느 쪽이든 result.obb.xyxyxyxy이 올바릅니다. 다운스트림 코드에서 긴 변 형식이 필요할 때 모서리를 다시 변환하되, 박스 매개변수를 다시 작성하면 모서리 순서가 순환적으로 이동할 수 있음을 유념하세요:

from ultralytics.utils.ops import xyxyxyxy2xywhr

xywhr = xyxyxyxy2xywhr(result.obb.xyxyxyxy)  # w >= h, rotation in [-pi/4, 3pi/4)

모든 작업에 걸친 작업별 Results 필드는 Predict Results by Task 섹션을 참조하십시오.

내보내기(Export)#

YOLO26n-obb 모델을 ONNX, CoreML 등과 같은 다른 형식으로 내보냅니다.

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")

사용 가능한 YOLO26-obb 내보내기 형식은 아래 표에 있습니다. format 인자(예: format='onnx' 또는 format='engine')를 사용하여 모든 형식으로 내보낼 수 있습니다. 내보낸 모델에 대해 직접 예측하거나 검증할 수 있습니다(예: yolo predict model=yolo26n-obb.onnx). 내보내기가 완료된 후 모델에 대한 사용 예시가 표시됩니다.

전체 export 세부 정보는 Export 페이지에서 확인하세요.

실제 활용 사례#

YOLO26을 사용한 OBB 탐지는 다양한 산업 분야에서 수많은 실제 응용 사례를 가지고 있습니다.

• 해운 및 항만 관리: fleet management 및 모니터링을 위해 다양한 각도에서 선박과 선박을 감지합니다.
• 도시 계획: 항공 이미지를 통해 건물과 인프라를 분석합니다.
• 농업: 드론 영상을 통해 작물과 농기계를 모니터링합니다.
• 에너지 부문: 다양한 방향의 태양광 패널과 풍력 터빈을 검사합니다.
• 교통: 다양한 관점에서 도로와 주차장의 차량을 추적합니다.

이러한 응용 프로그램은 객체를 모든 각도에서 정확하게 맞추는 OBB의 기능으로 혜택을 보며, 기존의 경계 상자보다 더 정확한 탐지 성능을 제공합니다.

FAQ#