Caixas delimitadoras orientadas Detecção de objetos

A detecção de objetos orientados vai um passo além da detecção de objetos padrão, introduzindo um ângulo extra para localizar objetos com mais precisão em uma imagem.

A saída de um detector de objetos orientado é um conjunto de caixas delimitadoras rotacionadas que envolvem precisamente os objetos na imagem, juntamente com rótulos de classe e pontuações de confiança para 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 aos eixos podem incluir fundo desnecessário.

Amostras Visuais

Detecção de navios usando OBB	Detecção de veículos usando OBB

Modelos

Os modelos OBB pré-treinados do YOLO26 são mostrados aqui, os quais são pré-treinados no DOTAv1 conjunto de dados.

Modelos são baixados automaticamente da versão mais recente do Ultralytics release no primeiro uso.

• mAP^test valores são para modelo único multiescala no DOTAv1 conjunto de dados.
  Reproduza por yolo val obb data=DOTAv1.yaml device=0 split=test e envie os resultados mesclados para a DOTA evaluation.
• Velocidade calculada como média sobre as imagens de validação do DOTAv1 usando uma instância Amazon EC2 P4d.
  Reproduza por yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
• Params e FLOPs os valores são para o modelo fundido após model.fuse(), que mescla as camadas Conv e BatchNorm e, para modelos end2end, remove a cabeça de detecção auxiliar de um para muitos. Os checkpoints pré-treinados mantêm a arquitetura de treinamento completa e podem mostrar contagens mais altas.

Treinar

Treine o YOLO26n-obb no conjunto de dados DOTA8 por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, veja o 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 conjunto de dados

O formato do conjunto de dados OBB pode ser encontrado em detalhes no Dataset Guide. O formato YOLO OBB designa caixas delimitadoras por seus quatro pontos de canto com coordenadas normalizadas entre 0 e 1, seguindo esta estrutura. Plataforma Ultralytics suporta anotação OBB com uma ferramenta dedicada de desenho de caixa delimitadora orientada:

Internamente, o YOLO processa perdas e saídas no xywhr formato, que representa o bounding box ponto central (xy), largura, altura e rotação.

Val

Valide o modelo YOLO26n-obb treinado precisão no conjunto de dados DOTA8. Nenhum argumento é necessário, pois o model retém as suas data de treinamento e 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")  # 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 containing mAP50-95(B) for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Previsão

Use 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

Veja detalhes completos de predict detalhes do modo no Previsão.

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 disponíveis para o YOLO26-obb estão na tabela abaixo. Você pode exportar para qualquer formato usando o format, ex: format='onnx' ou format='engine'. Você pode prever ou validar diretamente em modelos exportados, ex: yolo predict model=yolo26n-obb.onnx. Exemplos de uso são mostrados para o seu modelo após a conclusão da exportação.

Veja detalhes completos de export na página de Exportação.

Aplicações do mundo real

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

• Gestão Marítima e Portuária: Detectando navios e embarcações em vários ângulos para gestão de frota e monitoramento.
• Planejamento Urbano: Analisando edifícios e infraestrutura a partir de imagens aéreas.
• Agricultura: Monitorando plantações e equipamentos agrícolas a partir de imagens de drones.
• Setor de Energia: Inspecionando painéis solares e turbinas eólicas em diferentes orientações.
• Transporte: Rastreamento de veículos em estradas e estacionamentos a partir de várias perspectivas.

Essas aplicações se beneficiam da capacidade das OBB de se ajustar precisamente a objetos em qualquer ângulo, fornecendo uma detecção mais precisa do que as caixas delimitadoras tradicionais.

FAQ

O que são Oriented Bounding Boxes (OBB) e como elas diferem das caixas delimitadoras comuns?

Oriented Bounding Boxes (OBB) incluem um ângulo adicional para melhorar a precisão da localização de objetos em imagens. Ao contrário das caixas delimitadoras comuns, que são retângulos alinhados aos eixos, as OBB podem girar para se ajustar melhor à orientação do objeto. Isso é particularmente útil para aplicações que exigem posicionamento preciso de objetos, como imagens aéreas ou de satélite (Dataset Guide).

Como treino um modelo YOLO26n-obb usando um conjunto de dados personalizado?

Para treinar um modelo YOLO26n-obb com um conjunto de dados personalizado, siga o exemplo abaixo usando Python ou CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-obb.pt")

# Train the model
results = model.train(data="path/to/custom_dataset.yaml", epochs=100, imgsz=640)

Para mais argumentos de treinamento, verifique a Configuração seção.

Quais conjuntos de dados posso usar para treinar modelos YOLO26-OBB?

Modelos YOLO26-OBB são pré-treinados em conjuntos de dados como DOTAv1 mas você pode usar qualquer conjunto de dados formatado para OBB. Informações detalhadas sobre formatos de conjuntos de dados OBB podem ser encontradas na Dataset Guide.

Como posso exportar um modelo YOLO26-OBB para o formato ONNX?

Exportar um modelo YOLO26-OBB para o formato ONNX é simples usando Python ou CLI:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")

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

Para mais formatos de exportação e detalhes, consulte a Exportação.

Como valido a precisão de um modelo YOLO26n-obb?

Para validar um modelo YOLO26n-obb, você pode usar comandos Python ou CLI como mostrado abaixo:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-obb.pt")

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

Veja detalhes completos de validação na Val seção.