오리엔티드 바운딩 박스 오브젝트 감지

Q: How do I train a YOLOv8n-obb model using a custom dataset?

사용자 지정 데이터 세트로 YOLOv8n-obb 모델을 훈련하려면 Python 또는 CLI 을 사용하여 아래 예시를 따르세요: 더 많은 훈련 인수는 구성 섹션을 참조하세요.

Q: How can I export a YOLOv8-OBB model to ONNX format?

YOLOv8-OBB 모델을 ONNX 형식으로 내보내려면 Python 또는 CLI 을 사용하여 간단하게 내보낼 수 있습니다: 더 많은 내보내기 형식과 자세한 내용은 내보내기 페이지를 참조하세요.

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

YOLOv8 OBB 모델은 -obb 접미사, 즉 yolov8n-obb.pt 에 대해 사전 교육을 받았으며 DOTAv1.

Watch: Ultralytics YOLOv8 오리엔티드 바운딩 박스(YOLOv8-OBB)를 사용한 객체 감지

Watch: Ultralytics HUB를 사용하여 YOLOv8-OBB로 객체 감지

시각적 샘플

OBB를 사용한 선박 감지	OBB를 사용한 차량 감지

모델

YOLOv8 DOTAv1 데이터 세트에서 사전 학습된 OBB 모델이 여기에 나와 있습니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

모델	크기 ^(픽셀)	mAPtest⁵⁰	속도 ^{CPU ONNX (ms)}	속도 A100^{TensorRT (ms)}	매개변수 ^(M)	FLOPs ^(B)
YOLOv8n-obb	1024	78.0	204.77	3.57	3.1	23.3
YOLOv8s-obb	1024	79.5	424.88	4.07	11.4	76.3
YOLOv8m-obb	1024	80.5	763.48	7.61	26.4	208.6
YOLOv8l-obb	1024	80.7	1278.42	11.83	44.5	433.8
YOLOv8x-obb	1024	81.36	1759.10	13.23	69.5	676.7

^mAPtest 값은 단일 모델 멀티스케일에서 DOTAv1 테스트 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

기차 YOLOv8n-obb에서 dota8.yaml 데이터셋을 이미지 크기 640으로 100개의 에포크에 대해 사용합니다. 사용 가능한 인수의 전체 목록은 구성 페이지로 이동합니다.

예

PythonCLI

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

데이터 집합 형식

OBB 데이터셋 형식은 데이터셋 가이드에서 자세히 확인할 수 있습니다.

Val

Validate trained YOLOv8n-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("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

예측

학습된 YOLOv8n-obb 모델을 사용하여 이미지에 대한 예측을 실행합니다.

예

PythonCLI

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

전체 보기 predict 모드 세부 정보에서 예측 페이지로 이동합니다.

내보내기

YOLOv8n-obb 모델을 ONNX, CoreML 등과 같은 다른 형식으로 내보냅니다.

예

PythonCLI

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

사용 가능한 YOLOv8-obb 내보내기 형식은 아래 표에 나와 있습니다. 내보내는 형식은 format 인수, 즉 format='onnx' 또는 format='engine'. 내보낸 모델에서 직접 예측하거나 유효성을 검사할 수 있습니다. yolo predict model=yolov8n-obb.onnx. 내보내기가 완료된 후 모델에 대한 사용 예가 표시됩니다.

형식	`format` 인수	모델	메타데이터	인수
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 Lite	`tflite`	`yolov8n-obb.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF Edge 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`

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).

사용자 지정 데이터 집합을 사용하여 YOLOv8n-obb 모델을 훈련하려면 어떻게 하나요?

사용자 지정 데이터 집합으로 YOLOv8n-obb 모델을 훈련하려면 Python 또는 CLI 을 사용하여 아래 예제를 따르세요:

예

PythonCLI

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

더 많은 교육 인수를 확인하려면 구성 섹션을 확인하세요.

YOLOv8-OBB 모델 훈련에 사용할 수 있는 데이터 세트는 무엇인가요?

YOLOv8-OBB 모델은 DOTAv1과 같은 데이터 세트에 대해 사전 학습되지만, OBB용으로 포맷된 모든 데이터 세트를 사용할 수 있습니다. OBB 데이터 세트 형식에 대한 자세한 정보는 데이터 세트 가이드에서 확인할 수 있습니다.

YOLOv8-OBB 모델을 ONNX 형식으로 내보내려면 어떻게 해야 하나요?

YOLOv8-OBB 모델을 ONNX 형식으로 내보내는 방법은 Python 또는 CLI 을 사용하여 간단하게 수행할 수 있습니다:

예

PythonCLI

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

내보내기 형식 및 자세한 내용은 내보내기 페이지를 참조하세요.

YOLOv8n-obb 모델의 정확성을 어떻게 검증하나요?

YOLOv8n-obb 모델의 유효성을 검사하려면 아래와 같이 Python 또는 CLI 명령을 사용할 수 있습니다:

예

PythonCLI

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

Val 섹션에서 전체 유효성 검사 세부 정보를 확인하세요.

📅 Created 8 months ago ✏️ Updated 0 days ago

오리엔티드 바운딩 박스 오브젝트 감지

시각적 샘플

모델

기차

데이터 집합 형식

Val

예측

내보내기

자주 묻는 질문

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

사용자 지정 데이터 집합을 사용하여 YOLOv8n-obb 모델을 훈련하려면 어떻게 하나요?

YOLOv8-OBB 모델 훈련에 사용할 수 있는 데이터 세트는 무엇인가요?

YOLOv8-OBB 모델을 ONNX 형식으로 내보내려면 어떻게 해야 하나요?

YOLOv8n-obb 모델의 정확성을 어떻게 검증하나요?

댓글