Детекция ориентированных ограничивающих прямоугольников с помощью Ultralytics YOLO#

Ориентированное обнаружение объектов — это следующий этап развития стандартного обнаружения объектов: дополнительный угол позволяет точнее определять положение объектов на изображении.

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

Визуальные примеры#

Обнаружение кораблей с использованием OBB	Обнаружение транспортных средств с использованием OBB

Модели#

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

Модели автоматически скачиваются из последнего релиза Ultralytics при первом использовании.

• Значения mAP^test рассчитаны для многомасштабного режима с одной моделью на наборе данных DOTAv1.
  Воспроизведи результаты с помощью yolo val obb data=DOTAv1.yaml device=0 split=test nms=False и отправь объединённые результаты в оценку DOTA.
• Скорость усреднена по изображениям валидационной выборки DOTAv1 с использованием экземпляра Amazon EC2 P4d.
  Воспроизведи результаты с помощью yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu nms=False
• Значения Params и FLOPs приводятся для слитных моделей после свертки/пакетной нормализации (Conv/BatchNorm folding) и удаления неиспользуемой ветки детекции. Предварительно обученные контрольные точки сохраняют полную архитектуру обучения и могут показывать большие значения.

Смотри предварительный просмотр невыпущенного YOLO27 для предварительных результатов DOTAv1.

Обучение#

Обучи YOLO26n-obb на наборе данных DOTA8 в течение 100 эпох с размером 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)

Формат датасета#

Подробное описание формата набора данных OBB приведено в руководстве по наборам данных. Формат YOLO OBB задаёт ограничивающие рамки четырьмя угловыми точками с координатами, нормализованными в диапазоне от 0 до 1, в следующей структуре. Аннотация на платформе Ultralytics поддерживает метки OBB со специальным инструментом рисования ориентированных ограничивающих рамок:

class_index x1 y1 x2 y2 x3 y3 x4 y4

Внутри YOLO обрабатывает функции потерь и выходные данные в формате xywhr, который представляет центральную точку ограничивающей рамки (xy), ширину, высоту и поворот.

Val#

Проверь точность обученной модели YOLO26n-obb на наборе данных DOTA8. Аргументы не требуются, поскольку model сохраняет параметры обучения 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")  # validate on the DOTA8 dataset
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

Predict#

Используй обученную модель YOLO26n-obb для выполнения 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

Полное описание режима predict см. на странице Predict.

Выходные данные результатов#

Обнаружение ориентированных ограничивающих рамок возвращает один объект Results для каждого изображения. Основное поле предсказаний — result.obb, которое содержит повернутые рамки, идентификаторы классов и оценки уверенности для каждого обнаруженного объекта.

Метки приводятся к каноническому соглашению с длинной стороной, а предсказания — нет, поэтому result.obb.xywhr может указывать w, меньшую, чем h, при измерении поворота от короткой стороны. Обе формы описывают один и тот же прямоугольник, поэтому result.obb.xyxyxyxy в любом случае корректен. Преобразуй углы обратно, если последующему коду нужна форма с длинной стороной, учитывая, что изменение параметров рамки может циклически сдвинуть порядок углов:

from ultralytics.utils.ops import xyxyxyxy2xywhr

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

Описание специфичных для задач полей Results для всех задач см. в разделе Результаты предсказаний по задачам.

Экспорт#

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

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 модель в любой формат с помощью аргумента format, то есть format='onnx' или format='engine'. Ты можешь напрямую выполнять предсказания или валидацию экспортированных моделей, то есть yolo predict model=yolo26n-obb.onnx. Примеры использования для твоей модели отображаются после завершения экспорта.

nms=None по умолчанию выдает сырые результаты для внешнего NMS. Установи nms=False, чтобы выбрать доступный головной модуль без NMS; неподдерживаемые форматы возвращаются к своему родному пути вывода. Записи nms выше определяют форматы, которые могут встраивать NMS с помощью nms=True.

Полное описание export см. на странице Экспорт.

Практические применения#

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

• Морской транспорт и управление портами: обнаружение кораблей и судов под разными углами для управления флотом и мониторинга.
• Городское планирование: анализ зданий и инфраструктуры по аэрофотоснимкам.
• Сельское хозяйство: мониторинг посевов и сельскохозяйственного оборудования по видеозаписям с дронов.
• Энергетический сектор: проверка солнечных панелей и ветряных турбин, расположенных под разными углами.
• Транспорт: отслеживание транспортных средств на дорогах и парковках с разных ракурсов.

Эти применения используют способность OBB точно подстраиваться под объекты под любым углом, обеспечивая более точное обнаружение по сравнению с традиционными ограничивающими рамками.

Часто задаваемые вопросы#