Ориентированные ограничительные рамки Обнаружение объектов
Ориентированное обнаружение объектов идет на шаг дальше, чем обнаружение объектов, и вводит дополнительный угол, чтобы точнее находить объекты на изображении.
Результатом работы ориентированного детектора объектов является набор повернутых ограничительных боксов, которые точно окружают объекты на изображении, а также метки классов и баллы доверия для каждого бокса. Обнаружение объектов - хороший выбор, когда тебе нужно определить интересующие тебя объекты в сцене, но не нужно точно знать, где находится объект или его точную форму.
Наконечник
YOLOv8 Модели OBB используют -obb
суффикс, то есть yolov8n-obb.pt
и предварительно обучены на DOTAv1.
Смотри: Обнаружение объектов с помощью Ultralytics YOLOv8 Oriented Bounding Boxes (YOLOv8-OBB) |
Смотри: Обнаружение объектов с помощью YOLOv8-OBB с помощью Ultralytics HUB |
Визуальные образцы
Обнаружение кораблей с помощью OBB | Обнаружение автомобиля с помощью OBB |
---|---|
Модели
YOLOv8 Здесь представлены предварительно обученные модели OBB, которые были предварительно обучены на наборе данных DOTAv1.
Модели автоматически загружаются с последнегорелиза Ultralytics при первом использовании.
Модель | Размер (пикселей) |
mAPtest 50 |
Скорость CPU ONNX (мс) |
Скорость A100 TensorRT (мс) |
params (M) |
FLOPs (B) |
---|---|---|---|---|---|---|
YOLOv8n-obb | 1024 | 78.0 | 204.77 | 3.57 | 3.1 | 23.3 |
YOLOv8s-obb | 1024 | 79.5 | 424.88 | 4.07 | 11.4 | 76.3 |
YOLOv8m-obb | 1024 | 80.5 | 763.48 | 7.61 | 26.4 | 208.6 |
YOLOv8l-obb | 1024 | 80.7 | 1278.42 | 11.83 | 44.5 | 433.8 |
YOLOv8x-obb | 1024 | 81.36 | 1759.10 | 13.23 | 69.5 | 676.7 |
- mAPtest Значения приведены для одномодельного мультимасштаба на Тест DOTAv1 Набор данных.
Размножайся с помощьюyolo val obb data=DOTAv1.yaml device=0 split=test
И отправь объединенные результаты на Оценка DOTA. - Скорость Усреднение по изображениям DOTAv1 val с помощью Amazon EC2 P4d например.
Размножайся с помощьюyolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
Поезд
Поезд YOLOv8n-obb на dota8.yaml
набор данных для 100 эпох при размере изображения 640. Полный список доступных аргументов смотри в разделе Конфигурация Страница.
Пример
from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n-obb.yaml') # build a new model from YAML
model = YOLO('yolov8n-obb.pt') # load a pretrained model (recommended for training)
model = YOLO('yolov8n-obb.yaml').load('yolov8n.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=yolov8n-obb.yaml epochs=100 imgsz=640
# Start training from a pretrained *.pt model
yolo obb train data=dota8.yaml model=yolov8n-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=yolov8n-obb.yaml pretrained=yolov8n-obb.pt epochs=100 imgsz=640
Формат датасета
Подробно о формате набора данных OBB можно прочитать в руководстве по набору данных.
Вэл
Проверь точность обученной модели YOLOv8n-obb на наборе данных DOTA8. Не нужно передавать никаких аргументов, так как model
сохраняет свою подготовку data
и аргументы в качестве атрибутов модели.
Пример
from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n-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
Предсказывай
Используй обученную модель YOLOv8n-obb для выполнения прогнозов на изображениях.
Пример
Смотреть полностью predict
Подробности о режиме в Предсказывай Страница.
Экспорт
Экспортируй модель YOLOv8n-obb в другой формат, например ONNX, CoreML, и т.д.
Пример
Доступные форматы экспорта YOLOv8-obb приведены в таблице ниже. Ты можешь экспортировать в любой формат, используя format
аргумент, то есть format='onnx'
или format='engine'
. Ты можешь предсказывать или проверять непосредственно на экспортированных моделях, то есть yolo predict model=yolov8n-obb.onnx
. Примеры использования будут показаны для твоей модели после завершения экспорта.
Формат | format Аргумент |
Модель | Метаданные | Аргументы |
---|---|---|---|---|
PyTorch | - | yolov8n-obb.pt |
✅ | - |
TorchScript | torchscript |
yolov8n-obb.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolov8n-obb.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n-obb_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n-obb.engine |
✅ | imgsz , half , dynamic , simplify , workspace , batch |
CoreML | coreml |
yolov8n-obb.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n-obb_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n-obb.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n-obb.tflite |
✅ | imgsz , half , int8 , batch |
TF Край TPU | edgetpu |
yolov8n-obb_edgetpu.tflite |
✅ | imgsz , batch |
TF.js | tfjs |
yolov8n-obb_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n-obb_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n-obb_ncnn_model/ |
✅ | imgsz , half , batch |
Смотреть полностью export
подробности в Экспорт Страница.
Создано 2024-01-05, Обновлено 2024-04-27
Авторы: glenn-jocher (16), Burhan-Q (1), Laughing-q (3), AyushExel (1)