Детекция объектов с ориентированными ограничивающими прямоугольниками Object Detection#

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.

Примеры визуализаций#

Обнаружение судов с помощью OBB	Обнаружение транспортных средств с помощью OBB

Модели#

Здесь показаны предварительно обученные модели YOLO26 OBB, которые обучены на датасете DOTAv1.

Модели загружаются автоматически из последнего релиза Ultralytics при первом использовании.

• Значения mAP^test приведены для многомасштабного режима одной модели на датасете DOTAv1.
  Воспроизведи с помощью yolo val obb data=DOTAv1.yaml device=0 split=test и отправь объединенные результаты на DOTA evaluation.
• Скорость усреднена по изображениям валидационного набора DOTAv1 с использованием инстанса Amazon EC2 P4d.
  Воспроизведи с помощью yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
• Значения Params и FLOPs даны для слитной модели после model.fuse(), которая объединяет слои Conv и BatchNorm и, для моделей end2end, удаляет вспомогательную голову детекции «один ко многим». Предварительно обученные чекпоинты сохраняют полную архитектуру обучения и могут показывать большие значения.

Обучение#

Обучи YOLO26n-obb на датасете DOTA8 в течение 100 epochs при размере изображения 640. Полный список доступных аргументов см. на странице Configuration.

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)

Формат набора данных#

Подробный формат датасета OBB можно найти в Dataset Guide. Формат YOLO OBB задает ограничивающие прямоугольники по их четырем угловым точкам с координатами, нормализованными от 0 до 1, в соответствии с этой структурой. Ultralytics Platform annotation поддерживает разметку OBB с помощью специального инструмента рисования ориентированных ограничивающих прямоугольников:

class_index x1 y1 x2 y2 x3 y3 x4 y4

Внутри YOLO обрабатывает потери и выдает результаты в формате xywhr, который представляет центральную точку (xy), ширину, высоту и поворот bounding box.

Валидация#

Выполни валидацию accuracy обученной модели YOLO26n-obb на датасете DOTA8. Никакие аргументы не требуются, так как model сохраняет свои обучающие 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

Предсказание#

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

Смотри полную информацию о режиме predict на странице Предсказание.

Вывод результатов#

Детекция с помощью ориентированных ограничивающих прямоугольников возвращает один объект Results на изображение. Основным полем предсказания является result.obb, которое содержит повернутые рамки, ID классов и оценки уверенности для каждого обнаруженного объекта.

Метки канонизируются к соглашению о длинной стороне, но предсказания — нет, поэтому result.obb.xywhr может указывать w меньше, чем h, с углом, измеренным от короткой стороны. Обе формы описывают один и тот же прямоугольник, поэтому result.obb.xyxyxyxy верна в обоих случаях. Преобразуй углы обратно, когда нижестоящему коду требуется форма с длинной стороной, помня о том, что перезапись параметров рамки может циклически сместить порядок углов:

from ultralytics.utils.ops import xyxyxyxy2xywhr

xywhr = xyxyxyxy2xywhr(result.obb.xyxyxyxy)  # w >= h, rotation in [-pi/4, 3pi/4)

Информацию о специфичных для задач полях Results для каждой задачи см. в разделе Результаты предсказания по задачам.

Экспорт#

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 выполнить экспорт в любой формат с помощью аргумента format, то есть format='onnx' или format='engine'. Ты можешь выполнять предсказание или валидацию напрямую на экспортированных моделях, например yolo predict model=yolo26n-obb.onnx. Примеры использования показаны для твоей модели после завершения экспорта.

Смотри полную информацию об export на странице Экспорт.

Применение в реальных условиях#

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

• Управление морскими судами и портами: Обнаружение кораблей и судов под разными углами для fleet management 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.

FAQ#