Link to this sectionОриентированные ограничивающие рамки Обнаружение объектов#

Ориентированное обнаружение объектов идет дальше стандартного обнаружения, добавляя дополнительный угол для более точного определения местоположения объектов на изображении.

Результатом работы ориентированного детектора объектов является набор повернутых ограничивающих рамок, которые точно охватывают объекты на изображении, а также метки классов и показатели уверенности для каждой рамки. Ориентированные ограничивающие рамки особенно полезны, когда объекты расположены под разными углами, например на аэрофотоснимках, где традиционные выровненные по осям рамки могут захватывать лишний фон.

Link to this sectionПримеры визуализаций#

Обнаружение судов с помощью OBB	Обнаружение транспортных средств с помощью OBB

Link to this sectionМодели#

Здесь представлены предварительно обученные модели YOLO26 OBB, обученные на наборе данных DOTAv1.

Модели скачиваются автоматически из последнего релиза Ultralytics при первом использовании.

• Значения mAP^test приведены для одномодельного многомасштабного тестирования на наборе данных DOTAv1.
  Воспроизведи результат с помощью yolo val obb data=DOTAv1.yaml device=0 split=test и отправь объединенные результаты на оценку DOTA.
• Скорость усреднена по изображениям из валидационного набора DOTAv1 с использованием инстанса Amazon EC2 P4d.
  Воспроизведи результат с помощью yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
• Значения Params и FLOPs указаны для объединенной модели после model.fuse(), которая объединяет слои Conv и BatchNorm, а для end2end моделей удаляет вспомогательную «один-ко-многим» голову детекции. Предобученные чекпоинты сохраняют полную архитектуру обучения и могут показывать более высокие значения.

Link to this sectionОбучение#

Обучи YOLO26n-obb на наборе данных DOTA8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов смотри на странице Конфигурация.

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 sectionФормат набора данных#

Подробности о формате набора данных OBB можно найти в Руководстве по датасетам. Формат YOLO OBB обозначает ограничивающие рамки через четыре угловые точки с координатами, нормализованными от 0 до 1, в соответствии с этой структурой. Платформа Ultralytics поддерживает разметку OBB с помощью специального инструмента для рисования ориентированных ограничивающих рамок:

Внутри системы YOLO обрабатывает потери и выводит данные в формате xywhr, который представляет центральную точку (xy), ширину, высоту и поворот ограничивающей рамки.

Link to this sectionВалидация#

Проверь точность обученной модели YOLO26n-obb на наборе данных DOTA8. Аргументы не нужны, так как model сохраняет свои обучающие данные data и аргументы в качестве атрибутов модели.

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 sectionПредсказание#

Используй обученную модель YOLO26n-obb для запуска предсказаний на изображениях.

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

Полную информацию о режиме predict смотри на странице Predict.

Link to this sectionВывод результатов#

Обнаружение ориентированных ограничивающих рамок возвращает один объект Results на изображение. Основным полем предсказания является result.obb, который содержит повернутые рамки, ID классов и показатели уверенности для каждого обнаруженного объекта.

Для получения информации о специфичных для задачи полях Results см. раздел Предсказания по задачам.

Link to this sectionЭкспорт#

Экспортируй модель YOLO26n-obb в другой формат, например ONNX, CoreML и т.д.

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")

Доступные форматы экспорта YOLO26-obb приведены в таблице ниже. Ты можешь экспортировать в любой формат, используя аргумент format, например format='onnx' или format='engine'. Ты можешь выполнять предсказание или проверку непосредственно на экспортированных моделях, например yolo predict model=yolo26n-obb.onnx. Примеры использования для твоей модели будут показаны после завершения экспорта.

Смотри подробную информацию об export на странице Export.

Link to this sectionПрименение в реальных условиях#

Обнаружение OBB с помощью YOLO26 имеет множество практических применений в различных отраслях:

• Морское управление и порты: Обнаружение судов и кораблей под разными углами для управления флотом и мониторинга.
• Городское планирование: Анализ зданий и инфраструктуры по аэрофотоснимкам.
• Сельское хозяйство: Мониторинг сельскохозяйственных культур и техники с дронов.
• Энергетический сектор: Осмотр солнечных панелей и ветряных турбин с разной ориентацией.
• Транспорт: Отслеживание транспортных средств на дорогах и парковках с разных ракурсов.

Эти приложения выигрывают от способности OBB точно подгоняться под объекты под любым углом, обеспечивая более точное обнаружение, чем традиционные ограничивающие рамки.

Link to this sectionFAQ#

Link to this sectionЧто такое ориентированные ограничивающие рамки (OBB) и чем они отличаются от обычных?#

Ориентированные ограничивающие рамки (OBB) включают дополнительный угол для повышения точности локализации объектов на изображениях. В отличие от обычных ограничивающих рамок, которые являются выровненными по осям прямоугольниками, OBB могут вращаться, чтобы лучше соответствовать ориентации объекта. Это особенно полезно для задач, требующих точного размещения объектов, таких как аэрофотосъемка или спутниковые снимки (Руководство по датасетам).

Link to this sectionКак обучить модель YOLO26n-obb на собственном наборе данных?#

Чтобы обучить модель YOLO26n-obb на своем наборе данных, следуй примеру ниже с использованием Python или 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)

Больше аргументов для обучения ищи в разделе Конфигурация.

Link to this sectionКакие наборы данных можно использовать для обучения моделей YOLO26-OBB?#

Модели YOLO26-OBB предварительно обучены на таких наборах данных, как DOTAv1, но ты можешь использовать любой набор данных, отформатированный для OBB. Подробную информацию о форматах данных OBB можно найти в Руководстве по датасетам.

Link to this sectionКак экспортировать модель YOLO26-OBB в формат ONNX?#

Экспорт модели YOLO26-OBB в формат ONNX прост при использовании Python или CLI:

from ultralytics import YOLO

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

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

Для получения информации о других форматах экспорта и подробностях обратись к странице Экспорт.

Link to this sectionКак проверить точность модели YOLO26n-obb?#

Для проверки модели YOLO26n-obb ты можешь использовать команды Python или CLI, как показано ниже:

from ultralytics import YOLO

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

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

Полные сведения о валидации смотри в разделе Val.