yolo val obb data=DOTAv1.yaml device=0 split=test
e envia os resultados combinados para Avaliação DOTA.yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
Train YOLO11n-obb on the DOTA8 dataset for 100 epochs at image size 640. For a full list of available arguments see the Configuration page.
Exemplo
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-obb.yaml") # build a new model from YAML
model = YOLO("yolo11n-obb.pt") # load a pretrained model (recommended for training)
model = YOLO("yolo11n-obb.yaml").load("yolo11n.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=yolo11n-obb.yaml epochs=100 imgsz=640
# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolo11n-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=yolo11n-obb.yaml pretrained=yolo11n-obb.pt epochs=100 imgsz=640
Observa: How to Train Ultralytics YOLO-OBB (Oriented Bounding Boxes) Models on DOTA Dataset using Ultralytics HUB
O formato do conjunto de dados OBB pode ser consultado em pormenor no Guia do conjunto de dados.
Validate trained YOLO11n-obb model accuracy on the DOTA8 dataset. No arguments are needed as the model
mantém a sua formação data
e argumentos como atributos do modelo.
Exemplo
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-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
Use a trained YOLO11n-obb model to run predictions on images.
Exemplo
Observa: How to Detect and Track Storage Tanks using Ultralytics YOLO-OBB | Oriented Bounding Boxes | DOTA
Ver completo predict
detalhes do modo no Prevê página.
Export a YOLO11n-obb model to a different format like ONNX, CoreML, etc.
Exemplo
Available YOLO11-obb export formats are in the table below. You can export to any format using the format
argumento, ou seja format='onnx'
ou format='engine'
. Podes prever ou validar diretamente nos modelos exportados, ou seja yolo predict model=yolo11n-obb.onnx
. São apresentados exemplos de utilização para o teu modelo após a conclusão da exportação.
Formato | format Argumenta | Modelo | Metadados | Argumentos |
---|---|---|---|---|
PyTorch | - | yolo11n-obb.pt | ✅ | - |
TorchScript | torchscript | yolo11n-obb.torchscript | ✅ | imgsz , optimize , batch |
ONNX | onnx | yolo11n-obb.onnx | ✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino | yolo11n-obb_openvino_model/ | ✅ | imgsz , half , int8 , batch |
TensorRT | engine | yolo11n-obb.engine | ✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml | yolo11n-obb.mlpackage | ✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model | yolo11n-obb_saved_model/ | ✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb | yolo11n-obb.pb | ❌ | imgsz , batch |
TF Leve | tflite | yolo11n-obb.tflite | ✅ | imgsz , half , int8 , batch |
TF Borda TPU | edgetpu | yolo11n-obb_edgetpu.tflite | ✅ | imgsz |
TF.js | tfjs | yolo11n-obb_web_model/ | ✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle | yolo11n-obb_paddle_model/ | ✅ | imgsz , batch |
NCNN | ncnn | yolo11n-obb_ncnn_model/ | ✅ | imgsz , half , batch |
Ver completo export
detalhes no Exportação página.
As Oriented Bounding Boxes (OBB) incluem um ângulo adicional para melhorar a precisão da localização de objectos em imagens. Ao contrário das caixas delimitadoras normais, que são rectângulos alinhados com o eixo, as OBB podem rodar para se adaptarem melhor à orientação do objeto. Isto é particularmente útil para aplicações que requerem uma colocação precisa do objeto, como imagens aéreas ou de satélite(Dataset Guide).
To train a YOLO11n-obb model with a custom dataset, follow the example below using Python or CLI:
Exemplo
Para mais argumentos de formação, consulta a secção Configuração.
YOLO11-OBB models are pretrained on datasets like DOTAv1 but you can use any dataset formatted for OBB. Detailed information on OBB dataset formats can be found in the Dataset Guide.
Exporting a YOLO11-OBB model to ONNX format is straightforward using either Python or CLI:
Exemplo
Para mais formatos de exportação e detalhes, consulta a página Exportar.
To validate a YOLO11n-obb model, you can use Python or CLI commands as shown below:
Exemplo
Vê os detalhes completos da validação na secção Val.