yolo val obb data=DOTAv1.yaml device=0 split=test
И отправь объединенные результаты на Оценка 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.
Пример
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
Смотри: How to Train Ultralytics YOLO-OBB (Oriented Bounding Boxes) Models on DOTA Dataset using Ultralytics HUB
Подробно о формате набора данных OBB можно прочитать в руководстве по набору данных.
Validate trained YOLO11n-obb model accuracy on the DOTA8 dataset. No arguments are needed as the model
сохраняет свою подготовку data
и аргументы в качестве атрибутов модели.
Пример
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.
Пример
Смотри: How to Detect and Track Storage Tanks using Ultralytics YOLO-OBB | Oriented Bounding Boxes | DOTA
Смотреть полностью predict
Подробности о режиме в Предсказывай Страница.
Export a YOLO11n-obb model to a different format like ONNX, CoreML, etc.
Пример
Available YOLO11-obb export formats are in the table below. You can export to any format using the format
аргумент, то есть format='onnx'
или format='engine'
. Ты можешь предсказывать или проверять непосредственно на экспортированных моделях, то есть yolo predict model=yolo11n-obb.onnx
. Примеры использования будут показаны для твоей модели после завершения экспорта.
Формат | format Аргумент | Модель | Метаданные | Аргументы |
---|---|---|---|---|
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 Lite | tflite | yolo11n-obb.tflite | ✅ | imgsz , half , int8 , batch |
TF Край 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 |
MNN | mnn | yolo11n-obb.mnn | ✅ | imgsz , batch , int8 , half |
NCNN | ncnn | yolo11n-obb_ncnn_model/ | ✅ | imgsz , half , batch |
Смотреть полностью export
подробности в Экспорт Страница.
Ориентированные ограничительные рамки (Oriented Bounding Boxes, OBB) включают в себя дополнительный угол, чтобы повысить точность локализации объекта на изображениях. В отличие от обычных ограничивающих боксов, которые представляют собой прямоугольники, выровненные по оси, OBB могут поворачиваться, чтобы лучше соответствовать ориентации объекта. Это особенно полезно для приложений, требующих точного размещения объектов, например, для аэро- или спутниковых снимков(Dataset Guide).
To train a YOLO11n-obb model with a custom dataset, follow the example below using Python or CLI:
Пример
О дополнительных аргументах для тренировки читай в разделе " Конфигурация ".
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:
Пример
О форматах экспорта и подробностях читай на странице " Экспорт ".
To validate a YOLO11n-obb model, you can use Python or CLI commands as shown below:
Пример
Полную информацию о проверке смотри в разделе " Вал".