Salta para o conte√ļdo

Caixas delimitadoras orientadas Deteção de objectos

A dete√ß√£o orientada de objectos vai um passo mais al√©m do que a dete√ß√£o de objectos e introduz um √Ęngulo extra para localizar objectos com maior precis√£o numa imagem.

O resultado de um detetor de objectos orientado √© um conjunto de caixas delimitadoras rodadas que envolvem exatamente os objectos na imagem, juntamente com etiquetas de classe e pontua√ß√Ķes de confian√ßa para cada caixa. A dete√ß√£o de objectos √© uma boa escolha quando √© necess√°rio identificar objectos de interesse numa cena, mas n√£o √© necess√°rio saber exatamente onde se encontra o objeto ou a sua forma exacta.

Dica

YOLOv8 Os modelos OBB utilizam o -obb sufixo, ou seja yolov8n-obb.pt e são pré-treinados em DOTAv1.


Observa: Deteção de objectos utilizando Ultralytics YOLOv8 Oriented Bounding Boxes (YOLOv8-OBB)

Observa: Deteção de objectos com YOLOv8-OBB utilizando Ultralytics HUB

Amostras visuais

Deteção de navios utilizando OBB Deteção de veículos utilizando OBB
Deteção de navios utilizando OBB Deteção de veículos utilizando OBB

Modelos

YOLOv8 modelos OBB pré-treinados são mostrados aqui, que são pré-treinados no conjunto de dados DOTAv1.

Os modelos são transferidos automaticamente a partir daversão mais recente de Ultralytics na primeira utilização.

Modelo tamanho
(pixéis)
mAPtest
50
Velocidade
CPU ONNX
(ms)
Velocidade
A100 TensorRT
(ms)
params
(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 os valores s√£o para o modelo √ļnico de multiescala em Teste DOTAv1 conjunto de dados.
    Reproduzir por yolo val obb data=DOTAv1.yaml device=0 split=test e envia os resultados combinados para Avaliação DOTA.
  • Velocidade calcula a m√©dia das imagens DOTAv1 val utilizando um Amazon EC2 P4d inst√Ęncia.
    Reproduzir por yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

Comboio

Comboio YOLOv8n-obb no dota8.yaml para 100 épocas com o tamanho de imagem 640. Para obter uma lista completa dos argumentos disponíveis, consulta a secção Configuração página.

Exemplo

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

Formato do conjunto de dados

O formato do conjunto de dados OBB pode ser consultado em pormenor no Guia do conjunto de dados.

Val

Valida a precisão do modelo YOLOv8n-obb treinado no conjunto de dados DOTA8. Não precisas de passar nenhum argumento, pois o model mantém a sua formação data e argumentos como atributos do modelo.

Exemplo

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

Prevê

Utiliza um modelo YOLOv8n-obb treinado para executar previs√Ķes em imagens.

Exemplo

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

Ver completo predict detalhes do modo no Prevê página.

Exportação

Exporta um modelo YOLOv8n-obb para um formato diferente como ONNX, CoreML, etc.

Exemplo

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

Os formatos de exportação YOLOv8-obb disponíveis encontram-se na tabela abaixo. Podes exportar para qualquer formato utilizando o format argumento, ou seja format='onnx' ou format='engine'. Podes prever ou validar diretamente nos modelos exportados, ou seja yolo predict model=yolov8n-obb.onnx. São apresentados exemplos de utilização para o teu modelo após a conclusão da exportação.

Formato format Argumenta Modelo Metadados Argumentos
PyTorch - yolov8n-obb.pt ‚úÖ -
TorchScript torchscript yolov8n-obb.torchscript ‚úÖ imgsz, optimize, batch
ONNX onnx yolov8n-obb.onnx ‚úÖ imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n-obb_openvino_model/ ‚úÖ imgsz, half, int8, batch
TensorRT engine yolov8n-obb.engine ‚úÖ imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n-obb.mlpackage ‚úÖ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n-obb_saved_model/ ‚úÖ imgsz, keras, int8, batch
TF GraphDef pb yolov8n-obb.pb ‚ĚĆ imgsz, batch
TF Leve tflite yolov8n-obb.tflite ‚úÖ imgsz, half, int8, batch
TF Borda TPU edgetpu yolov8n-obb_edgetpu.tflite ‚úÖ imgsz
TF.js tfjs yolov8n-obb_web_model/ ‚úÖ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n-obb_paddle_model/ ‚úÖ imgsz, batch
NCNN ncnn yolov8n-obb_ncnn_model/ ‚úÖ imgsz, half, batch

Ver completo export detalhes no Exportação página.

FAQ

O que são caixas delimitadoras orientadas (OBB) e quais são as suas diferenças em relação às caixas delimitadoras normais?

As Oriented Bounding Boxes (OBB) incluem um √Ęngulo adicional para melhorar a precis√£o da localiza√ß√£o de objectos em imagens. Ao contr√°rio das caixas delimitadoras normais, que s√£o rect√Ęngulos alinhados com o eixo, as OBB podem rodar para se adaptarem melhor √† orienta√ß√£o do objeto. Isto √© particularmente √ļtil para aplica√ß√Ķes que requerem uma coloca√ß√£o precisa do objeto, como imagens a√©reas ou de sat√©lite(Dataset Guide).

Como é que treino um modelo YOLOv8n-obb utilizando um conjunto de dados personalizado?

Para treinar um modelo YOLOv8n-obb com um conjunto de dados personalizado, segue o exemplo abaixo utilizando Python ou CLI:

Exemplo

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov8n-obb.pt")

# Train the model
results = model.train(data="path/to/custom_dataset.yaml", epochs=100, imgsz=640)
yolo obb train data=path/to/custom_dataset.yaml model=yolov8n-obb.pt epochs=100 imgsz=640

Para mais argumentos de formação, consulta a secção Configuração.

Que conjuntos de dados posso utilizar para treinar modelos YOLOv8-OBB?

YOLOv8Os modelos OBB s√£o pr√©-treinados em conjuntos de dados como o DOTAv1, mas podes utilizar qualquer conjunto de dados formatado para OBB. Podes encontrar informa√ß√Ķes detalhadas sobre os formatos dos conjuntos de dados OBB no Guia de conjuntos de dados.

Como é que posso exportar um modelo YOLOv8-OBB para o formato ONNX ?

A exportação de um modelo YOLOv8-OBB para o formato ONNX é simples, utilizando Python ou CLI:

Exemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.pt")

# Export the model
model.export(format="onnx")
yolo export model=yolov8n-obb.pt format=onnx

Para mais formatos de exportação e detalhes, consulta a página Exportar.

Como posso validar a exatid√£o de um modelo YOLOv8n-obb?

Para validar um modelo YOLOv8n-obb, podes usar os comandos Python ou CLI , como mostrado abaixo:

Exemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-obb.pt")

# Validate the model
metrics = model.val(data="dota8.yaml")
yolo obb val model=yolov8n-obb.pt data=dota8.yaml

Vê os detalhes completos da validação na secção Val.



Criado em 2024-01-05, Atualizado em 2024-07-04
Autores: glenn-jocher (22), Burhan-Q (4), Laughing-q (3), AyushExel (1)

Coment√°rios