Detecção de Caixas Delimitadoras Orientadas com Ultralytics YOLO#

A deteção de objetos orientados vai um passo além da deteção de objetos padrão ao introduzir um ângulo adicional para localizar objetos com maior precisão numa imagem.

O resultado de um detetor de objetos orientados é um conjunto de caixas delimitadoras rodadas que envolvem precisamente os objetos na imagem, juntamente com os rótulos de classe e as pontuações de confiança de cada caixa. As caixas delimitadoras orientadas são particularmente úteis quando os objetos aparecem em vários ângulos, como em imagens aéreas, onde as caixas delimitadoras tradicionais alinhadas pelos eixos podem incluir fundo desnecessário.

Exemplos visuais#

Deteção de navios com OBB	Deteção de veículos com OBB

Modelos#

Os modelos OBB YOLO26 pré-treinados são apresentados aqui; foram pré-treinados no conjunto de dados DOTAv1.

Os modelos são descarregados automaticamente da versão mais recente da Ultralytics na primeira utilização.

• Os valores de mAP^test correspondem a multiescala com um único modelo no conjunto de dados DOTAv1.
  Reproduza com yolo val obb data=DOTAv1.yaml device=0 split=test nms=False e envie os resultados combinados para a avaliação DOTA.
• A velocidade é calculada como a média nas imagens de validação do DOTAv1, utilizando uma instância Amazon EC2 P4d.
  Reproduza com yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu nms=False
• Os valores de Params e FLOPs são para modelos fundidos após a dobragem de Conv/BatchNorm e a remoção da ramificação de deteção não utilizada. Os pontos de controlo pré-treinados retêm a arquitetura de treino completa e podem apresentar contagens mais elevadas.

Consulta a pré-visualização não lançada de YOLO27 para resultados preliminares do DOTAv1.

Treinar#

Treine YOLO26n-obb no conjunto de dados DOTA8 durante 100 épocas, com um tamanho de imagem de 640. Para obter a lista completa dos argumentos disponíveis, consulte a página de Configuração.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.yaml")  # build a new model from YAML
model = YOLO("yolo26n-obb.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-obb.yaml").load("yolo26n-obb.pt")  # build from YAML and transfer weights

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

Formato do dataset#

O formato de conjunto de dados OBB é explicado detalhadamente no Guia de conjuntos de dados. O formato YOLO OBB designa as caixas delimitadoras pelos seus quatro pontos de canto, com coordenadas normalizadas entre 0 e 1, seguindo esta estrutura. A anotação na plataforma Ultralytics suporta rótulos OBB com uma ferramenta dedicada para desenhar caixas delimitadoras orientadas:

class_index x1 y1 x2 y2 x3 y3 x4 y4

Internamente, o YOLO processa as perdas e as saídas no formato xywhr, que representa o ponto central (xy), a largura, a altura e a rotação da caixa delimitadora.

Validação#

Valide a precisão do modelo YOLO26n-obb treinado no conjunto de dados DOTA8. Não são necessários argumentos, pois o model mantém o seu data de treino e os argumentos como atributos do modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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")  # validate on the DOTA8 dataset
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # a list containing mAP50-95(B) for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Previsão#

Utilize um modelo YOLO26n-obb treinado para executar previsões em imagens.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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/boats.jpg")  # predict on an image

# Access the results
for result in results:
    xywhr = result.obb.xywhr  # center-x, center-y, width, height, angle (radians)
    xyxyxyxy = result.obb.xyxyxyxy  # polygon format with 4-points
    names = [result.names[cls.item()] for cls in result.obb.cls.int()]  # class name of each box
    confs = result.obb.conf  # confidence score of each box

Consulta todos os detalhes do modo predict na página Predict.

Saída dos resultados#

A deteção de caixas delimitadoras orientadas devolve um objeto Results por imagem. O campo de previsão principal é result.obb, que contém caixas rodadas, IDs de classe e pontuações de confiança para cada objeto detetado.

Os rótulos são canonicalizados segundo a convenção do lado mais longo, mas as previsões não o são; por isso, result.obb.xywhr pode indicar w menor do que h, com a rotação medida a partir do lado mais curto. Ambas as formas descrevem o mesmo retângulo, pelo que result.obb.xyxyxyxy está correto em ambos os casos. Converta novamente os cantos quando o código a jusante precisar da forma baseada no lado mais longo, tendo em conta que a reescrita dos parâmetros da caixa pode alterar ciclicamente a ordem dos cantos:

from ultralytics.utils.ops import xyxyxyxy2xywhr

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

Para consultar os campos Results específicos da tarefa em todas as tarefas, vê a secção Resultados de Previsão por Tarefa.

Exportação#

Exporte um modelo YOLO26n-obb para um formato diferente, como ONNX, CoreML, etc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

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

Os formatos de exportação YOLO26-obb disponíveis encontram-se na tabela abaixo. Pode exportar para qualquer formato utilizando o argumento format, ou seja, format='onnx' ou format='engine'. Pode executar previsões ou validar diretamente em modelos exportados, ou seja, yolo predict model=yolo26n-obb.onnx. Os exemplos de utilização do seu modelo são apresentados após a conclusão da exportação.

nms=None por padrão utiliza saídas brutas para NMS externo. Define nms=False para selecionar uma cabeça livre de NMS disponível; os formatos não suportados recorrem ao seu caminho de saída nativo. As entradas nms acima identificam formatos que podem incorporar NMS com nms=True.

Consulta todos os detalhes de export na página Export.

Aplicações no mundo real#

A deteção OBB com YOLO26 tem inúmeras aplicações práticas em vários setores:

• Gestão marítima e portuária: deteção de navios e embarcações em vários ângulos para gestão de frotas e monitorização.
• Planeamento urbano: análise de edifícios e infraestruturas a partir de imagens aéreas.
• Agricultura: monitorização de culturas e equipamentos agrícolas a partir de imagens captadas por drones.
• Setor energético: inspeção de painéis solares e turbinas eólicas em diferentes orientações.
• Transportes: acompanhamento de veículos em estradas e parques de estacionamento a partir de várias perspetivas.

Estas aplicações beneficiam da capacidade da OBB de se ajustar precisamente aos objetos em qualquer ângulo, proporcionando uma deteção mais precisa do que as caixas delimitadoras tradicionais.

Perguntas frequentes#