오리엔티드 바운딩 박스 오브젝트 감지

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

DOTA8 데이터 세트에서 학습된 YOLOv8n-obb 모델 정확도를 검증합니다. 인수를 전달할 필요가 없습니다. model 교육을 유지합니다. 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. 다음을 사용하여 모든 형식으로 내보낼 수 있습니다. format 인수, 즉 format='onnx' 또는 format='engine'. 내보낸 모델에서 직접 예측하거나 검증할 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`, `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`, `batch`
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.

2024-01-05 생성, 2024-04-27 업데이트됨
작성자: glenn-jocher (16), Burhan-Q (1), Laughing-q (3), AyushExel (1)

오리엔티드 바운딩 박스 오브젝트 감지

시각적 샘플

모델

기차

데이터 집합 형식

Val

예측

내보내기

댓글