회전된 경계 상자 객체 탐지

회전된 객체 탐지는 이미지 내 객체를 더 정확하게 찾기 위해 추가적인 각도를 도입함으로써 표준 객체 탐지보다 한 단계 더 나아갑니다.

회전된 객체 탐지기의 출력은 이미지 내 객체를 정밀하게 감싸는 회전된 경계 상자들의 집합이며, 각 상자에 대한 클래스 레이블과 신뢰도 점수가 함께 제공됩니다. 회전된 경계 상자는 항공 이미지와 같이 객체가 다양한 각도로 나타나는 경우에 특히 유용하며, 이때 기존의 축 정렬 경계 상자는 불필요한 배경을 포함할 수 있습니다.

시각적 샘플

OBB를 사용한 선박 탐지	OBB를 사용한 차량 탐지

모델

여기에 DOTAv1 데이터셋으로 사전 훈련된 YOLO26 사전 훈련 OBB 모델들이 표시되어 있습니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

• mAP^test 값은 DOTAv1 데이터셋에 대한 단일 모델 다중 스케일 기준입니다.
  yolo val obb data=DOTAv1.yaml device=0 split=test를 실행하여 재현하고 병합된 결과를 DOTA 평가에 제출하십시오.
• 속도는 Amazon EC2 P4d 인스턴스를 사용하여 DOTAv1 val 이미지에서 평균을 낸 값입니다.
  yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu를 실행하여 재현하십시오.
• 파라미터 및 FLOPs 값은 model.fuse() 후 융합된 모델 기준입니다. 이는 Conv 레이어와 BatchNorm 레이어를 병합하며, end2end 모델의 경우 보조적인 일대다(one-to-many) 감지 헤드를 제거합니다. 사전 학습된 체크포인트는 전체 학습 아키텍처를 유지하므로 더 높은 수치를 보일 수 있습니다.

학습(Train)

DOTA8 데이터셋에서 이미지 크기 640으로 100 에폭 동안 YOLO26n-obb를 훈련하십시오. 사용 가능한 인수의 전체 목록은 구성 페이지를 참조하십시오.

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 데이터셋 가이드에서 확인할 수 있습니다. YOLO OBB 형식은 이 구조에 따라 0과 1 사이로 정규화된 좌표를 가진 4개의 모서리 지점으로 경계 상자를 지정합니다. Ultralytics 플랫폼은 전용 회전된 경계 상자 그리기 도구로 OBB 주석을 지원합니다:

내부적으로 YOLO는 손실과 출력을 xywhr 형식으로 처리하며, 이는 경계 상자의 중심점(xy), 너비, 높이 및 회전을 나타냅니다.

검증(Val)

Validate trained YOLO26n-obb model accuracy on the DOTA8 dataset. No arguments are needed as the model retains its training data and arguments as model attributes.

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

예측

훈련된 YOLO26n-obb 모델을 사용하여 이미지에 대한 예측을 수행하십시오.

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

predict 모드에 대한 자세한 내용은 예측(Predict) 페이지를 참조하십시오.

결과 출력

회전된 경계 상자 탐지는 이미지당 하나의 Results 객체를 반환합니다. 주요 예측 필드는 result.obb이며, 여기에는 탐지된 각 객체에 대한 회전된 상자, 클래스 ID 및 신뢰도 점수가 포함되어 있습니다.

모든 작업 전반에 걸친 작업별 Results 필드에 대해서는 작업별 예측 결과 섹션을 참조하십시오.

내보내기(Export)

YOLO26n-obb 모델을 ONNX, CoreML 등 다른 형식으로 내보내십시오.

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 인수(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). 모델 내보내기가 완료된 후 사용 예시가 표시됩니다.

전체 export 세부 정보는 Export 페이지를 참조하십시오.

실제 응용 분야

YOLO26을 사용한 OBB 탐지는 다양한 산업 전반에서 수많은 실용적인 응용 분야를 가지고 있습니다:

• 해양 및 항만 관리: 선박 관리 및 모니터링을 위해 다양한 각도에서 선박과 함정을 탐지합니다.
• 도시 계획: 항공 이미지에서 건물과 인프라를 분석합니다.
• 농업: 드론 영상을 통해 농작물과 농기계를 모니터링합니다.
• 에너지 부문: 다양한 방향의 태양광 패널과 풍력 터빈을 검사합니다.
• 교통: 다양한 관점에서 도로와 주차장의 차량을 추적합니다.

이러한 응용 분야는 임의의 각도에서 객체를 정밀하게 맞추는 OBB의 기능 덕분에 기존 경계 상자보다 더 정확한 탐지 결과를 제공합니다.

FAQ

회전된 경계 상자(OBB)란 무엇이며 일반 경계 상자와 어떻게 다른가요?

회전된 경계 상자(OBB)는 이미지 내 객체 위치 정확도를 높이기 위해 추가적인 각도를 포함합니다. 축 정렬 사각형인 일반 경계 상자와 달리, OBB는 객체의 방향에 맞게 회전할 수 있습니다. 이는 항공 또는 위성 이미지와 같이 정밀한 객체 배치가 필요한 응용 분야에 특히 유용합니다(데이터셋 가이드).

사용자 지정 데이터셋을 사용하여 YOLO26n-obb 모델을 어떻게 훈련하나요?

사용자 지정 데이터셋으로 YOLO26n-obb 모델을 훈련하려면 Python 또는 CLI를 사용하여 아래 예제를 따르십시오:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-obb.pt")

# Train the model
results = model.train(data="path/to/custom_dataset.yaml", epochs=100, imgsz=640)

더 많은 훈련 인수는 구성 섹션을 확인하십시오.

YOLO26-OBB 모델 훈련에는 어떤 데이터셋을 사용할 수 있나요?

YOLO26-OBB 모델은 DOTAv1과 같은 데이터셋으로 사전 훈련되지만, OBB용으로 형식이 지정된 모든 데이터셋을 사용할 수 있습니다. OBB 데이터셋 형식에 대한 자세한 정보는 데이터셋 가이드에서 확인할 수 있습니다.

YOLO26-OBB 모델을 ONNX 형식으로 어떻게 내보내나요?

Python 또는 CLI를 사용하여 YOLO26-OBB 모델을 ONNX 형식으로 내보내는 것은 간단합니다:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")

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

더 많은 내보내기 형식과 세부 사항은 내보내기 페이지를 참조하십시오.

YOLO26n-obb 모델의 정확도는 어떻게 검증하나요?

YOLO26n-obb 모델을 검증하려면 아래와 같이 Python 또는 CLI 명령을 사용할 수 있습니다:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")

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

전체 검증 세부 사항은 Val 섹션을 참조하십시오.