Ultralytics YOLO를 사용한 방향 지정 바운딩 박스 감지#

방향성 객체 감지는 추가 각도를 사용해 이미지에서 객체의 위치를 더 정확히 파악하므로 표준 객체 감지보다 한 단계 더 발전한 방식입니다.

방향성 객체 감지기의 출력은 이미지 속 객체를 정밀하게 둘러싸는 회전된 바운딩 박스 집합이며, 각 박스의 클래스 레이블과 신뢰도 점수도 포함됩니다. 방향성 바운딩 박스는 객체가 여러 각도로 나타나는 경우에 특히 유용합니다. 예를 들어 항공 영상에서는 기존의 축 정렬 바운딩 박스가 불필요한 배경을 포함할 수 있습니다. 일반적인 사용 사례로는 위성 및 드론 영상에서 선박과 차량 감지, 도시 계획을 위한 건물 및 기반 시설 분석, 작물 모니터링, 태양광 패널 또는 풍력 터빈 검사 등이 있습니다.

시청: Ultralytics YOLO26 방향 경계 상자(OBB)로 객체를 감지하고 추적하는 방법 | 선박 추적 🚢

OBB를 사용한 선박 감지	OBB를 사용한 차량 감지

모델#

DOTAv1 데이터셋으로 사전 학습된 YOLO26 OBB 모델은 아래와 같습니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

• mAP^test 값은 DOTAv1 데이터셋에서 단일 모델, 멀티스케일로 측정한 값입니다.
  yolo obb val data=DOTAv1.yaml device=0 split=test nms=False save_json=True로 재현한 후 병합 결과를 DOTA 평가에 제출하세요.
• 속도는 CPU에서 ONNX를 사용하고 NVIDIA T4 GPU에서 TensorRT10을 사용하여 DOTAv1 검증 이미지의 평균값을 측정했습니다.
  yolo obb val data=DOTAv1.yaml batch=1 device=0|cpu nms=False로 재현할 수 있습니다.
• Params 및 FLOPs 값은 Conv/BatchNorm 폴딩과 사용하지 않는 감지 브랜치 제거 후의 융합 모델 기준입니다. 사전 학습된 체크포인트에는 전체 학습 아키텍처가 유지되므로 값이 더 높을 수 있습니다.

예비 DOTAv1 결과는 미출시 YOLO27 미리 보기를 참조하세요.

학습#

이미지 크기 640으로 DOTA8 데이터셋에서 100 에포크 동안 YOLO26n-obb 모델을 학습합니다.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-obb.yaml")  # YAML에서 새 모델을 생성합니다.
model = YOLO("yolo26n-obb.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).
model = YOLO("yolo26n-obb.yaml").load("yolo26n-obb.pt")  # YAML에서 모델을 생성하고 가중치를 전이합니다.

# 모델 학습
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

시청: Ultralytics Platform을 사용하여 DOTA 데이터셋에서 Ultralytics YOLO-OBB(방향 경계 상자) 모델을 학습하는 방법

전체 train 모드 세부 정보는 학습 페이지를 참조하세요. Ultralytics Platform 클라우드 학습을 사용하여 OBB 모델을 학습할 수도 있습니다.

데이터셋 형식#

OBB 데이터셋 형식에 대한 자세한 내용은 데이터셋 가이드를 참조하세요. YOLO OBB 형식에서는 다음 구조에 따라 네 모서리의 좌표를 0과 1 사이로 정규화하여 바운딩 박스를 지정합니다. Ultralytics Platform 주석은 전용 방향 지정 바운딩 박스 그리기 도구와 OBB 라벨을 지원합니다.

class_index x1 y1 x2 y2 x3 y3 x4 y4

내부적으로 YOLO는 손실과 출력을 xywhr 형식으로 처리합니다. 이 형식은 바운딩 박스의 중심점(xy), 너비, 높이, 회전을 나타냅니다.

검증#

DOTA8 데이터셋에서 학습된 YOLO26n-obb 모델의 정확도를 평균 정밀도(mAP)로 측정해 검증합니다. 검증에서 의도한 데이터셋 YAML을 사용하도록 data을 명시적으로 전달하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-obb.pt")  # 공식 모델을 불러옵니다
model = YOLO("path/to/best.pt")  # 사용자 지정 모델 로드

# 모델을 검증합니다
metrics = model.val(data="dota8.yaml")  # DOTA8 데이터셋에서 검증
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # 클래스별 mAP50-95(B); val 세트에 없는 클래스는 전체 mAP(B) 값을 사용합니다
metrics.box.ap_class_index  # 실제로 평가된 클래스 인덱스
metrics.box.image_metrics  # 정밀도, 재현율, F1, TP, FP, FN이 포함된 이미지별 지표 사전

예측#

학습된 YOLO26n-obb 모델을 사용하여 이미지에서 예측을 수행합니다.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-obb.pt")  # 공식 모델을 불러옵니다
model = YOLO("path/to/best.pt")  # 사용자 지정 모델 로드

# 모델로 예측을 수행합니다
results = model("https://ultralytics.com/images/boats.jpg")  # 이미지에 대해 예측을 수행합니다

# 결과에 액세스합니다
for result in results:
    xywhr = result.obb.xywhr  # 중심 x, 중심 y, 너비, 높이, 각도(라디안)
    xyxyxyxy = result.obb.xyxyxyxy  # 4개 점으로 구성된 다각형 형식
    names = [result.names[cls.item()] for cls in result.obb.cls.int()]  # 각 박스의 클래스 이름
    confs = result.obb.conf  # 각 박스의 신뢰도 점수

Predict 페이지에서 predict 모드의 전체 세부 정보를 확인하세요.

save_crop=True을 전달하면 각 OBB의 박스 크기에 맞춰 회전 정렬된 크롭을 저장하며, ObjectCropper도 동일하게 작동합니다.

결과 출력#

방향 지정 바운딩 박스 감지는 이미지마다 Results 객체 하나를 반환합니다. 주요 예측 필드는 result.obb이며, 여기에는 감지된 각 객체의 회전 박스, 클래스 ID 및 신뢰도 점수가 포함됩니다.

라벨은 긴 변 기준으로 정규화되지만 예측값은 그렇지 않으므로, result.obb.xywhr은 회전 각도를 짧은 변 기준으로 측정할 때 w이 h보다 작다고 보고할 수 있습니다. 두 형식은 동일한 사각형을 나타내므로 어느 쪽이든 result.obb.xyxyxyxy은 올바릅니다. 추적 시 각 트랙은 이전 각도와 가장 가까운 반회전 형식(θ 또는 θ ± π)을 유지하므로, 트랙 각도는 프레임 간에 π만큼 뒤집히지 않으며 [-π/4, 3π/4) 범위를 벗어날 수 있습니다. 후속 코드에서 긴 변 기준 형식이 필요한 경우 모서리를 다시 변환하되, 박스 매개변수를 다시 작성하면 모서리 순서가 순환 이동할 수 있다는 점에 유의하세요:

from ultralytics.utils.ops import xyxyxyxy2xywhr

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

모든 작업에서 작업별 Results 필드를 확인하려면 작업별 예측 결과 섹션을 참조하세요.

내보내기#

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

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-obb.pt")  # 공식 모델을 불러옵니다
model = YOLO("path/to/best.pt")  # 사용자 지정 모델 로드

# 모델을 내보냅니다
model.export(format="onnx")

사용 가능한 YOLO26-obb 내보내기 형식은 아래 표에 나와 있습니다. format 인수를 사용하면 원하는 형식으로 내보낼 수 있습니다(예: format='onnx' 또는 format='engine'). 내보낸 모델에서 바로 예측하거나 검증할 수 있습니다(예: yolo predict model=yolo26n-obb.onnx). 내보내기가 완료되면 모델 사용 예제가 표시됩니다.

nms=None은 외부 NMS를 위해 기본적으로 원시 출력을 사용합니다(YOLO26은 Axelera에서 NMS가 필요 없는 헤드를 유지합니다). 사용 가능한 NMS가 필요 없는 헤드를 선택하려면 nms=False를 설정하세요. 지원되지 않는 형식은 해당 형식의 기본 출력 경로로 대체됩니다. 위의 nms 항목은 nms=True로 NMS를 포함할 수 있는 형식을 나타냅니다.

자세한 export 내용은 내보내기 페이지를 참조하세요.

자주 묻는 질문#