Oriented Bounding Boxes Object Detection

방향성 물체 감지는 물체 감지보다 한 단계 더 나아가 이미지에서 물체를 더 정확하게 찾을 수 있도록 추가 각도를 도입합니다.

방향성 객체 감지기의 출력은 이미지에서 객체를 정확히 둘러싸는 회전된 경계 상자 집합과 각 상자에 대한 클래스 레이블 및 신뢰도 점수로 표시됩니다. 객체 감지는 장면에서 관심 있는 객체를 식별해야 하지만 객체의 정확한 위치나 모양을 정확히 알 필요는 없는 경우에 적합한 선택입니다.

팁

YOLO11 OBB models use the -obb 접미사, 즉 yolo11n-obb.pt 에 대해 사전 교육을 받았으며 DOTAv1.

Watch: Object Detection using Ultralytics YOLO Oriented Bounding Boxes (YOLO-OBB)

시각적 샘플

OBB를 사용한 선박 감지	OBB를 사용한 차량 감지

모델

YOLO11 pretrained OBB models are shown here, which are pretrained on the DOTAv1 dataset.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

모델	크기 ^(픽셀)	mAPtest⁵⁰	속도 ^{CPU ONNX (ms)}	Speed ^{T4 TensorRT10 (ms)}	매개변수 ^(M)	FLOPs ^(B)
YOLO11n-obb	1024	78.4	117.6 ± 0.8	4.4 ± 0.0	2.7	17.2
YOLO11s-obb	1024	79.5	219.4 ± 4.0	5.1 ± 0.0	9.7	57.5
YOLO11m-obb	1024	80.9	562.8 ± 2.9	10.1 ± 0.4	20.9	183.5
YOLO11l-obb	1024	81.0	712.5 ± 5.0	13.5 ± 0.6	26.2	232.0
YOLO11x-obb	1024	81.3	1408.6 ± 7.7	28.6 ± 1.0	58.8	520.2

^mAPtest 값은 단일 모델 멀티스케일에서 DOTAv1 데이터 세트.
복제 대상 yolo val obb data=DOTAv1.yaml device=0 split=test 을 클릭하고 병합된 결과를 다음 주소로 제출합니다. DOTA 평가.
속도 를 사용하여 DOTAv1 val 이미지에 대한 평균값을 Amazon EC2 P4d 인스턴스.
복제 대상 yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

기차

Train YOLO11n-obb on the dota8.yaml dataset for 100 epochs at image size 640. For a full list of available arguments see the 구성 페이지로 이동합니다.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.yaml")  # build a new model from YAML
model = YOLO("yolo11n-obb.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-obb.yaml").load("yolo11n.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=yolo11n-obb.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolo11n-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=yolo11n-obb.yaml pretrained=yolo11n-obb.pt epochs=100 imgsz=640

Watch: How to Train Ultralytics YOLO-OBB (Oriented Bounding Boxes) Models on DOTA Dataset using Ultralytics HUB

데이터 집합 형식

OBB 데이터셋 형식은 데이터셋 가이드에서 자세히 확인할 수 있습니다.

Val

Validate trained YOLO11n-obb model accuracy on the DOTA8 dataset. No arguments are needed as the model 교육 유지 data 및 인수를 모델 속성으로 사용합니다.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-obb.pt data=dota8.yaml  # val official model
yolo obb val model=path/to/best.pt data=path/to/data.yaml  # val custom model

예측

Use a trained YOLO11n-obb model to run predictions on images.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-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

Watch: How to Detect and Track Storage Tanks using Ultralytics YOLO-OBB | Oriented Bounding Boxes | DOTA

전체 보기 predict 모드 세부 정보에서 예측 페이지로 이동합니다.

내보내기

Export a YOLO11n-obb model to a different format like ONNX, CoreML, etc.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-obb.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Available YOLO11-obb export formats are in the table below. You can export to any format using the format 인수, 즉 format='onnx' 또는 format='engine'. 내보낸 모델에서 직접 예측하거나 유효성을 검사할 수 있습니다. yolo predict model=yolo11n-obb.onnx. 내보내기가 완료된 후 모델에 대한 사용 예가 표시됩니다.

형식	`format` 인수	모델	메타데이터	인수
PyTorch	-	`yolo11n-obb.pt`	✅	-
TorchScript	`torchscript`	`yolo11n-obb.torchscript`	✅	`imgsz`, `optimize`, `batch`
ONNX	`onnx`	`yolo11n-obb.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`, `batch`
OpenVINO	`openvino`	`yolo11n-obb_openvino_model/`	✅	`imgsz`, `half`, `int8`, `batch`
TensorRT	`engine`	`yolo11n-obb.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`, `int8`, `batch`
CoreML	`coreml`	`yolo11n-obb.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
TF SavedModel	`saved_model`	`yolo11n-obb_saved_model/`	✅	`imgsz`, `keras`, `int8`, `batch`
TF GraphDef	`pb`	`yolo11n-obb.pb`	❌	`imgsz`, `batch`
TF Lite	`tflite`	`yolo11n-obb.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF Edge TPU	`edgetpu`	`yolo11n-obb_edgetpu.tflite`	✅	`imgsz`
TF.js	`tfjs`	`yolo11n-obb_web_model/`	✅	`imgsz`, `half`, `int8`, `batch`
PaddlePaddle	`paddle`	`yolo11n-obb_paddle_model/`	✅	`imgsz`, `batch`
NCNN	`ncnn`	`yolo11n-obb_ncnn_model/`	✅	`imgsz`, `half`, `batch`

전체 보기 export 세부 정보에서 내보내기 페이지로 이동합니다.

자주 묻는 질문

OBB(오리엔티드 바운딩 박스)란 무엇이며 일반 바운딩 박스와 어떻게 다른가요?

OBB(오리엔티드 바운딩 박스)는 이미지에서 객체의 위치 정확도를 높이기 위해 추가 각도를 포함합니다. 축이 정렬된 직사각형인 일반 바운딩 박스와 달리 OBB는 객체의 방향에 더 잘 맞도록 회전할 수 있습니다. 이는 항공 또는 위성 이미지와 같이 정확한 객체 배치가 필요한 애플리케이션에 특히 유용합니다(데이터 세트 가이드).

How do I train a YOLO11n-obb model using a custom dataset?

To train a YOLO11n-obb model with a custom dataset, follow the example below using Python or CLI:

예

PythonCLI

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-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=yolo11n-obb.pt epochs=100 imgsz=640

더 많은 교육 인수를 확인하려면 구성 섹션을 확인하세요.

What datasets can I use for training YOLO11-OBB models?

YOLO11-OBB models are pretrained on datasets like DOTAv1 but you can use any dataset formatted for OBB. Detailed information on OBB dataset formats can be found in the Dataset Guide.

How can I export a YOLO11-OBB model to ONNX format?

Exporting a YOLO11-OBB model to ONNX format is straightforward using either Python or CLI:

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")

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

yolo export model=yolo11n-obb.pt format=onnx

내보내기 형식 및 자세한 내용은 내보내기 페이지를 참조하세요.

How do I validate the accuracy of a YOLO11n-obb model?

To validate a YOLO11n-obb model, you can use Python or CLI commands as shown below:

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")

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

yolo obb val model=yolo11n-obb.pt data=dota8.yaml

Val 섹션에서 전체 유효성 검사 세부 정보를 확인하세요.

9개월 전 생성됨 ✏️ 업데이트됨 7일 전

Oriented Bounding Boxes Object Detection

시각적 샘플

모델

기차

데이터 집합 형식

Val

예측

내보내기

자주 묻는 질문

OBB(오리엔티드 바운딩 박스)란 무엇이며 일반 바운딩 박스와 어떻게 다른가요?

How do I train a YOLO11n-obb model using a custom dataset?

What datasets can I use for training YOLO11-OBB models?

How can I export a YOLO11-OBB model to ONNX format?

How do I validate the accuracy of a YOLO11n-obb model?

댓글