Yönlendirilmiş Sınırlayıcı Kutular Nesne Algılama

Yönlendirilmiş nesne algılama, bir görüntüdeki nesneleri daha doğru bir şekilde konumlandırmak için ekstra bir açı ekleyerek standart nesne algılamadan bir adım öteye gider.

Yönlendirilmiş bir nesne dedektörünün çıktısı, görüntüdeki nesneleri tam olarak çevreleyen, sınıf etiketleri ve her kutu için güvenilirlik puanlarıyla birlikte bir dizi döndürülmüş sınırlayıcı kutudur. Yönlendirilmiş sınırlayıcı kutular, nesnelerin çeşitli açılarda göründüğü durumlarda özellikle kullanışlıdır; örneğin, geleneksel eksen hizalı sınırlayıcı kutuların gereksiz arka plan içerebileceği hava görüntülemede.

İzle: Ultralytics YOLO Yönlendirilmiş Sınırlayıcı Kutular (YOLO-OBB) kullanarak Nesne Tespiti

Görsel Örnekler

OBB kullanarak Gemi Tespiti	OBB kullanarak Araç Tespiti

Modeller

DOTAv1 veri kümesi üzerinde önceden eğitilmiş olan YOLO11 önceden eğitilmiş OBB modelleri burada gösterilmektedir.

Modeller, ilk kullanımda en son Ultralytics sürümünden otomatik olarak indirilir.

• mAP^test değerleri, üzerinde tek modelli çok ölçekli içindir DOTAv1 veri kümesi üzerindendir.
  Tekrar oluşturmak için yolo val obb data=DOTAv1.yaml device=0 split=test ve birleştirilmiş sonuçları şuraya gönderin: DOTA değerlendirmesi.
• Hız kullanılarak DOTAv1 val görüntülerinde ortalaması alınmıştır Amazon EC2 P4d örneği kullanılarak COCO val görüntülerinde ortalama alınmıştır.
  Tekrar oluşturmak için yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu

Eğit

DOTA8 veri kümesinde YOLO11n-obb'yi 640 görüntü boyutunda 100 epok için eğitin. Mevcut argümanların tam listesi için Yapılandırma sayfasına bakın.

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

İzle: Ultralytics HUB'ı kullanarak DOTA Veri Kümesinde Ultralytics YOLO-OBB (Yönlendirilmiş Sınırlayıcı Kutular) Modelleri Nasıl Eğitilir

Veri kümesi formatı

OBB veri kümesi formatı hakkında ayrıntılı bilgiyi Veri Kümesi Kılavuzu'nda bulabilirsiniz. YOLO OBB formatı, köşe noktalarını 0 ile 1 arasında normalleştirilmiş koordinatlarla şu yapıyı izleyerek belirtir:

class_index x1 y1 x2 y2 x3 y3 x4 y4

YOLO, kayıpları ve çıktıları dahili olarak şu şekilde işler: xywhr biçimi, sınırlayıcı kutu'nin merkez noktası (xy), genişliği, yüksekliği ve dönüşü.

Doğrula

Eğitilmiş YOLO11n-obb modelini doğrulayın doğruluğu DOTA8 veri kümesinde. Herhangi bir argümana gerek yoktur, çünkü model eğitimini korur data ve argümanları model nitelikleri olarak saklar.

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

yolo obb val model=yolo11n-obb.pt data=dota8.yaml         # val official model
yolo obb val model=path/to/best.pt data=path/to/data.yaml # val custom model

Tahmin et

Görüntüler üzerinde tahminler yürütmek için eğitilmiş bir YOLO11n-obb modeli kullanın.

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

# 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

yolo obb predict model=yolo11n-obb.pt source='https://ultralytics.com/images/boats.jpg'  # predict with official model
yolo obb predict model=path/to/best.pt source='https://ultralytics.com/images/boats.jpg' # predict with custom model

İzle: Ultralytics YOLO-OBB | Yönlendirilmiş Sınır Kutuları | DOTA kullanarak Depolama Tankları Nasıl Tespit Edilir ve İzlenir

Tamamını görün predict sayfasındaki mod ayrıntıları. Tahmin et sayfasında bulabilirsiniz.

Dışa aktar

Bir YOLO11n-obb modelini ONNX, CoreML vb. gibi farklı bir formata aktarın.

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 trained model

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

yolo export model=yolo11n-obb.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx # export custom trained model

Mevcut YOLO11-obb dışa aktarma formatları aşağıdaki tabloda bulunmaktadır. CLI'yı kullanarak herhangi bir formata aktarabilirsiniz. format argümanını kullanarak dışa aktarabilirsiniz, örneğin format='onnx' veya format='engine'. Dışa aktarılan modeller üzerinde doğrudan tahmin veya doğrulama yapabilirsiniz, örneğin yolo predict model=yolo11n-obb.onnx. Kullanım örnekleri, dışa aktarma tamamlandıktan sonra modeliniz için gösterilir.

Tamamını görün export ayrıntıları Dışa aktar sayfasında bulabilirsiniz.

Gerçek Dünya Uygulamaları

YOLO11 ile OBB tespiti, çeşitli endüstrilerde çok sayıda pratik uygulamaya sahiptir:

• Denizcilik ve Liman Yönetimi: Filo yönetimi ve izleme için çeşitli açılarda gemileri ve tekneleri tespit etme.
• Şehir Planlaması: Hava görüntülemesinden binaları ve altyapıyı analiz etme.
• Tarım: Drone görüntüleriyle mahsulleri ve tarım ekipmanlarını izleme.
• Enerji Sektörü: Farklı yönlerdeki güneş panellerini ve rüzgar türbinlerini inceleme.
• Ulaşım: Yollardaki ve otoparklardaki araçları çeşitli açılardan takip etme.

Bu uygulamalar, OBB'nin nesneleri herhangi bir açıda hassas bir şekilde sığdırma yeteneğinden yararlanarak geleneksel sınırlayıcı kutulardan daha doğru algılama sağlar.

SSS

Yönlendirilmiş Sınırlayıcı Kutular (OBB) nedir ve normal sınırlayıcı kutulardan nasıl farklıdır?

Yönlendirilmiş Sınır Kutuları (OBB), görüntülerdeki nesne lokalizasyon doğruluğunu artırmak için ek bir açı içerir. Eksenlere hizalı dikdörtgenler olan normal sınır kutularının aksine, OBB'ler nesnenin yönüne daha iyi uyacak şekilde dönebilir. Bu, özellikle hava veya uydu görüntüleri gibi hassas nesne yerleşimi gerektiren uygulamalar için kullanışlıdır (Veri Kümesi Kılavuzu).

Özel bir veri kümesi kullanarak nasıl bir YOLO11n-obb modeli eğitebilirim?

Özel bir veri kümesiyle bir YOLO11n-obb modeli eğitmek için, aşağıdaki Python veya CLI örneğini izleyin:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-obb.pt")

# Train the model
results = model.train(data="path/to/custom_dataset.yaml", epochs=100, imgsz=640)

yolo obb train data=path/to/custom_dataset.yaml model=yolo11n-obb.pt epochs=100 imgsz=640

Daha fazla eğitim argümanı için Yapılandırma bölümünü kontrol edin.

YOLO11-OBB modellerini eğitmek için hangi veri kümelerini kullanabilirim?

YOLO11-OBB modelleri DOTAv1 gibi veri kümeleri üzerinde önceden eğitilmiştir, ancak OBB için biçimlendirilmiş herhangi bir veri kümesini kullanabilirsiniz. OBB veri kümesi formatları hakkında ayrıntılı bilgi Veri Kümesi Kılavuzu'nda bulunabilir.

Bir YOLO11-OBB modelini ONNX formatına nasıl aktarabilirim?

Bir YOLO11-OBB modelini ONNX formatına aktarmak, Python veya CLI kullanılarak basittir:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")

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

yolo export model=yolo11n-obb.pt format=onnx

Daha fazla dışa aktarma formatı ve ayrıntı için Dışa Aktarma sayfasına bakın.

Bir YOLO11n-obb modelinin doğruluğunu nasıl doğrulayabilirim?

Bir YOLO11n-obb modelini doğrulamak için, aşağıda gösterildiği gibi Python veya CLI komutlarını kullanabilirsiniz:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-obb.pt")

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

yolo obb val model=yolo11n-obb.pt data=dota8.yaml

Doğrulama ile ilgili tüm ayrıntıları Val bölümünde bulabilirsiniz.

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar