Overslaan naar inhoud

Objectdetectie met georiënteerde begrenzende vakken

Georiënteerde objectdetectie gaat een stap verder dan objectdetectie en introduceert een extra hoek om objecten nauwkeuriger te lokaliseren in een afbeelding.

De uitvoer van een georiënteerde objectdetector is een verzameling geroteerde begrenzende vakken die de objecten in de afbeelding precies omsluiten, samen met klasse-labels en vertrouwensscores voor elk vak. Objectdetectie is een goede keuze als je interessante objecten in een scène moet identificeren, maar niet precies hoeft te weten waar het object zich bevindt of wat de exacte vorm ervan is.

Tip

YOLOv8 OBB-modellen gebruiken de -obb achtervoegsel, dus yolov8n-obb.pt en zijn voorgetraind op DOTAv1.


Kijken: Objectdetectie met behulp van Ultralytics YOLOv8 Georiënteerde begrenzende vakken (YOLOv8-OBB)
Kijken: Objectdetectie met YOLOv8-OBB met Ultralytics HUB

Visuele voorbeelden

Scheepsdetectie met OBB Voertuigdetectie met OBB
Scheepsdetectie met OBB Voertuigdetectie met OBB

Modellen

YOLOv8 Hier worden voorgetrainde OBB-modellen getoond, die zijn voorgetraind op de DOTAv1 dataset.

Modellen worden bij het eerste gebruik automatisch gedownload van de nieuwste Ultralytics release.

Model grootte
(pixels)		 mAPtest
50		 Snelheid
CPU ONNX
(ms)		 Snelheid
A100 TensorRT
(ms)		 params
(M)		 FLOP's
(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 waarden zijn voor één model multischaal op DOTAv1 test dataset.
    Reproduceren door yolo val obb data=DOTAv1.yaml device=0 split=test en stuur de samengevoegde resultaten naar DOTA evaluatie.
  • Snelheid gemiddeld over DOTAv1 val beelden met behulp van een Amazon EC2 P4d voorbeeld.
    Reproduceren door yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

Trein

Trein YOLOv8n-obb op de dota8.yaml dataset voor 100 epochs bij afbeeldingsgrootte 640. Voor een volledige lijst van beschikbare argumenten zie de Configuratie pagina.

Voorbeeld

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

Formaat dataset

Het formaat van de OBB dataset is in detail te vinden in de Dataset Gids.

Val

Valideer de nauwkeurigheid van het getrainde YOLOv8n-obb model op de DOTA8 dataset. Er hoeft geen argument te worden doorgegeven als de model behoudt zijn opleiding data en argumenten als modelattributen.

Voorbeeld

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

Voorspel

Gebruik een getraind YOLOv8n-obb model om voorspellingen op afbeeldingen uit te voeren.

Voorbeeld

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

Bekijk volledig predict details over de modus in de Voorspel pagina.

Exporteer

Exporteer een YOLOv8n-obb model naar een ander formaat zoals ONNX, CoreML, enz.

Voorbeeld

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

De beschikbare YOLOv8-obb exportformaten staan in de tabel hieronder. Je kunt naar elk formaat exporteren met de format argument, d.w.z. format='onnx' of format='engine'. Je kunt direct voorspellen of valideren op geëxporteerde modellen, d.w.z. yolo predict model=yolov8n-obb.onnx. Gebruiksvoorbeelden worden getoond voor je model nadat het exporteren is voltooid.

Formaat format Argument Model Metagegevens Argumenten
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 Rand 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

Bekijk volledig export details in de Exporteer pagina.



Gemaakt op 2024-01-05, Bijgewerkt op 2024-05-08
Auteurs: Burhan-Q (3), glenn-jocher (16), Lachen-q (3), AyushExel (1)

Reacties