Link to this sectionCaixas delimitadoras orientadas (Oriented Bounding Boxes) Detecção de Objetos#

A detecção orientada de objetos vai um passo além da detecção padrão de objetos ao introduzir um ângulo extra para localizar objetos com mais precisão em uma imagem.

A saída de um detector orientado de objetos 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.

Link to this sectionExemplos Visuais#

Detecção de Navios usando OBB	Detecção de Veículos usando OBB

Link to this sectionModelos#

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

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

• Os valores de mAP^test são para multiescala de modelo único no conjunto de dados DOTAv1.
  Reproduza com yolo val obb data=DOTAv1.yaml device=0 split=test e envie os resultados mesclados para a avaliação do DOTA.
• Velocidade média sobre imagens de validação do DOTAv1 usando uma instância Amazon EC2 P4d.
  Reproduza com yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
• Os valores de Parâmetros (Params) e FLOPs são para o modelo fundido após model.fuse(), que mescla camadas Conv e BatchNorm e, para modelos end-to-end, remove a cabeça de detecção auxiliar one-to-many. Checkpoints pré-treinados mantêm a arquitetura de treinamento completa e podem apresentar contagens maiores.

Link to this sectionTreinar#

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

Link to this sectionFormato do conjunto de dados#

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

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

Link to this sectionValidar#

Valide a precisão do modelo treinado YOLO26n-obb no conjunto de dados DOTA8. Nenhum argumento é necessário, pois o model retém seus 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

Link to this sectionPrever#

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 os detalhes completos do modo predict na página Previsão.

Link to this sectionSaída de Resultados#

A detecção de caixa delimitadora orientada retorna um objeto Results por imagem. O campo principal de previsão é result.obb, que contém caixas rotacionadas, IDs de classe e pontuações de confiança para cada objeto detectado.

Para campos de Results específicos de cada tarefa em todas as tarefas, veja a seção Resultados de Previsão por Tarefa.

Link to this sectionExportar#

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 YOLO26-obb estão na tabela abaixo. Você pode exportar para qualquer formato usando o argumento format, por exemplo, format='onnx' ou format='engine'. Você pode prever ou validar diretamente em modelos exportados, por exemplo, 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 Export.

Link to this sectionAplicações do Mundo Real#

A detecção OBB com YOLO26 possui inúmeras aplicações práticas em diversos 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 culturas e equipamentos agrícolas a partir de imagens de drones.
• Setor de Energia: Inspecionando painéis solares e turbinas eólicas em diferentes orientações.
• Transporte: Rastreando veículos em estradas e estacionamentos a partir de várias perspectivas.

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

Link to this sectionFAQ#

Link to this sectionO que são Caixas Delimitadoras Orientadas (OBB) e como elas diferem das caixas delimitadoras regulares?#

As Caixas Delimitadoras Orientadas (OBB) incluem um ângulo adicional para aumentar a precisão da localização de objetos em imagens. Ao contrário das caixas delimitadoras regulares, que são retângulos alinhados aos eixos, as OBBs podem rotacionar 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 (Guia de Conjuntos de Dados).

Link to this sectionComo 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 seção Configuração.

Link to this sectionQuais conjuntos de dados posso usar para treinar modelos YOLO26-OBB?#

Os 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 conjunto de dados OBB podem ser encontradas no Guia de Conjuntos de Dados.

Link to this sectionComo 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 página Exportar.

Link to this sectionComo valido a precisão de um modelo YOLO26n-obb?#

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

from ultralytics import YOLO

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

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

Veja os detalhes completos de validação na seção Val.