Qu'est-ce que la détection par boîte englobante orientée (OBB) ?

Reconnaître des objets, peu importe leur disposition ou leur orientation, nous vient naturellement en tant qu'êtres humains. Qu'il s'agisse de voitures à un carrefour ou de bateaux dans un port, nous pouvons facilement identifier ce qu'ils sont et la direction vers laquelle ils pointent. Cependant, pour les systèmes d'artificial intelligence (AI), ce n'est pas aussi simple.

Par exemple, la computer vision, une branche de l'IA axée sur la compréhension des images et des vidéos, permet des tâches telles que la détection d'objets, qui aide les machines à identifier et à localiser des objets dans une scène. La détection d'objets traditionnelle repose sur des boîtes englobantes alignées sur les axes pour tracer des boîtes autour des objets. Ces boîtes ont des côtés droits et des angles droits fixes. Cette approche fonctionne bien lorsque les objets sont verticaux et pas trop proches les uns des autres.

Mais lorsque les objets sont inclinés, pivotés ou proches les uns des autres, la détection d'objets traditionnelle a souvent du mal à les capturer avec précision. Pour gérer ces situations plus complexes, des techniques telles que la oriented bounding box (OBB) detection ont été introduites. Contrairement aux boîtes englobantes standard, les OBB peuvent pivoter pour s'adapter à l'angle et à la forme de l'objet, permettant un ajustement plus serré et plus précis.

Les modèles de computer vision tels que Ultralytics YOLO11, qui prennent en charge la détection OBB, permettent une gamme d'applications en temps réel, en particulier dans les scénarios où l'orientation des objets compte, comme la surveillance aérienne. Au-delà de cela, la détection OBB est également utilisée dans les soins de santé, l'agriculture et l'analyse de documents.

Dans cet article, nous explorerons ce qu'est la détection OBB, comment elle fonctionne et où elle est appliquée dans des scénarios réels. Commençons !

Fig 1. Un exemple de démonstration de l'utilisation de YOLO11 pour la détection OBB de bateaux.

Qu'est-ce qu'une boîte englobante orientée ?#

Une bounding box orientée est un type de boîte rectangulaire utilisée en computer vision pour représenter les objets détectés dans une image. Alors que les boîtes englobantes standard sont alignées sur les axes horizontal et vertical de l'image, les OBB peuvent pivoter pour correspondre à l'angle réel de l'objet.

Cette capacité de rotation apporte plusieurs avantages. Les OBB peuvent s'aligner plus étroitement avec l'orientation d'un objet, permettant à la boîte de s'ajuster parfaitement autour de la forme et de la direction de l'objet. En conséquence, la détection devient plus précise et exacte.

Les OBB sont particulièrement utiles lorsque les objets ne sont pas parfaitement verticaux, comme une voiture tournant sur une route courbée dans des images aériennes, un livre incliné sur un bureau ou une tumeur pivotée dans une analyse médicale. En correspondant plus précisément à l'angle d'un objet, les OBB améliorent les performances de détection, réduisent l'interférence de l'arrière-plan et sont particulièrement adaptées aux applications où l'orientation d'un objet compte autant que sa position.

Fig 2. Comparaison de la détection d'objets et de la détection OBB.

Détection OBB vs détection d'objets#

La détection OBB et la détection d'objets traditionnelle peuvent sembler similaires au premier abord, mais elles sont utilisées de manières différentes et pour des situations différentes. Regardons de plus près comment elles se comparent avec un exemple.

Les Computer vision models, comme YOLO11, peuvent être entraînés pour détecter et classifier des objets dans diverses applications du monde réel, telles que l'inspection industrielle. Considérez une chaîne de montage d'usine où différentes pièces de machine se déplacent le long d'un tapis roulant. Certaines pièces peuvent être placées soigneusement, mais d'autres peuvent être légèrement pivotées, inclinées ou se chevaucher en raison de la vibration ou de la vitesse.

La détection d'objets traditionnelle utilise des boîtes rectangulaires verticales qui s'alignent avec les bords horizontaux et verticaux de l'image. Ainsi, lorsqu'une pièce est pivotée, la boîte peut ne pas s'ajuster correctement - elle pourrait exclure une partie de l'objet ou inclure trop d'arrière-plan. Cela peut rendre les détections moins précises et plus difficiles à identifier pour le système de manière confiante.

Maintenant, disons que tu utilises la détection OBB à la place. Dans ce cas, le modèle peut dessiner une boîte qui pivote pour correspondre à l'angle exact de chaque pièce. Un engrenage incliné ou un composant orienté sera étroitement entouré par une boîte qui correspond à sa forme et à sa direction. Cela signifie une meilleure précision, moins d'erreurs et des résultats plus fiables, surtout en ce qui concerne les cas d'utilisation comme le contrôle qualité automatisé ou le tri robotisé.

Modèles de détection OBB populaires#

Maintenant que tu as une meilleure compréhension de ce qu'est la détection OBB, jetons un œil à certains des modèles d'IA de vision les plus largement utilisés qui la prennent en charge.

Plusieurs modèles avancés de vision par ordinateur ont été développés spécifiquement pour détecter des objets pivotés ou inclinés. Parmi eux, les modèles Ultralytics YOLO sont particulièrement bien connus pour leurs capacités de détection OBB fiables et efficaces.

Les versions antérieures telles que Ultralytics YOLOv5 ont été conçues pour la détection d'objets standard. Les itérations ultérieures, telles que Ultralytics YOLOv8 et le plus récent YOLO11, ont introduit un support natif pour la détection OBB. YOLO11, en particulier, offre une précision de pointe sans compromettre la vitesse, ce qui en fait une option percutante pour les applications en temps réel.

Les YOLO11 OBB models pré-entraînés, tels que YOLO11n-obb, sont entraînés sur des jeux de données tels que DOTAv1, qui se compose d'images aériennes annotées avec une gamme de classes d'objets comme des avions, des navires et des terrains de tennis qui apparaissent à divers angles et orientations.

De plus, ces modèles sont disponibles en cinq tailles différentes, de nano (n-obb) à extra-large (x-obb), pour répondre à différents besoins de performance. Cette polyvalence leur permet d'être appliqués à travers diverses industries - de la surveillance des infrastructures urbaines et l'inspection de machines à la lecture de texte incliné dans des documents scannés.

Entraînement personnalisé d'Ultralytics YOLO11 pour la détection de boîtes englobantes orientées#

Dans de nombreuses situations du monde réel, les objets que vous devez détecter peuvent être totalement différents de ceux des training datasets standard. Par exemple, des objets tels que des outils sur une ligne de production, des emballages de produits ou des composants sur une carte de circuit imprimé peuvent être pivotés, placés de manière irrégulière ou de formes différentes.

Pour détecter avec précision ces objets personnalisés, en particulier lorsque l'orientation importe, il est important d'entraîner des modèles comme Ultralytics YOLO11 en utilisant tes propres images et étiquettes. Ce processus est connu sous le nom de custom training.

Voici un aperçu détaillé du processus étape par étape pour entraîner Ultralytics YOLO11 à la détection OBB :

• Collecte d'images : Rassemble des images qui présentent tes objets cibles sous différents angles, positions et environnements réels.
• Annotation d'objets : Étiquette chaque objet en utilisant des boîtes englobantes pivotées (OBB) pour capturer à la fois leur emplacement et leur orientation en utilisant des outils d'annotation avec prise en charge OBB.
• Préparation du dataset : Organise tes images et tes étiquettes dans la structure de répertoire YOLO, et crée un fichier de configuration YAML avec tes noms de classe et les chemins de tes datasets.
• Entraînement du modèle : Choisis une version du modèle Ultralytics YOLO11 qui correspond à tes besoins, et lance le processus d'entraînement pour que le modèle puisse apprendre à partir de tes images étiquetées.
• Évaluation et déploiement : Teste ton modèle entraîné sur de nouvelles images, évalue sa précision et déploie-le dans des applications pratiques comme la fabrication, la surveillance aérienne ou l'analyse de documents.

Applications activées par la détection OBB#

Les objets qui sont décentrés ou inclinés sont assez courants dans les scénarios de la vie réelle. Passons en revue quelques exemples où la détection OBB fait une réelle différence en détectant avec précision ces objets.

Analyse d'images radiographiques utilisant la détection OBB#

La détection OBB peut faire progresser l'medical image analysis d'un cran en améliorant la précision. Les images médicales incluent souvent des structures anatomiques telles que des tumeurs, des organes ou des os. Ces structures apparaissent souvent dans des formes irrégulières et des orientations variées. Étant donné que les OBB peuvent pivoter pour correspondre à l'angle d'un objet, elles fournissent une localisation et une mesure plus précises, ce qui est essentiel pour le diagnostic et la planification du traitement.

Cette approche est particulièrement efficace lorsqu'il s'agit d'analyser des radiographies de fractures osseuses, où la position et l'alignement des os sont des facteurs clés. Par exemple, la détection OBB a été utilisée pour analyser les pediatric elbow X-rays. En s'adaptant à l'orientation des os, elle a contribué à améliorer la précision de la détection.

Fig 3. Radiographies (a, d) avec détection d'objets (b, e) et détection de boîte englobante orientée (c, f).

Surveillance aérienne propulsée par la détection OBB#

La surveillance aérienne est un outil essentiel dans des secteurs comme la sécurité publique, la surveillance environnementale et l'urbanisme. Les images capturées par des drones ou des satellites peuvent aider à identifier des objets tels que des navires, des véhicules et des bâtiments. Cependant, dans ces images, les objets apparaissent souvent petits et sous des angles inhabituels, ce qui les rend plus difficiles à détecter avec précision.

La détection OBB résout cela en inclinant les boîtes englobantes pour correspondre à l'angle de chaque objet. Cela conduit à des mesures plus précises de la taille et de l'orientation d'un objet, favorisant une meilleure prise de décision dans des domaines tels que l'urbanisme, la défense, la réponse aux catastrophes et la surveillance environnementale.

Un exemple intéressant de détection OBB est le suivi des navires dans la maritime surveillance. Les images satellites capturent souvent des navires à des angles et des tailles variables en raison de la météo, de l'éclairage ou du mouvement. Les OBB peuvent s'adapter à ces changements, améliorant la détection, en particulier pour les navires plus petits ou partiellement obscurs.

Fig 4. Un aperçu de l'utilisation de la détection OBB pour la surveillance maritime.

Utilisation de la détection OBB en agriculture#

Le tri des cultures après la récolte est une étape cruciale pour garantir la qualité avant qu'elles ne soient emballées et envoyées sur le marché. Alors que de nombreux systèmes fonctionnent bien pour les fruits ronds comme les pommes et les oranges, les cultures longues et étroites, comme les carottes ou les pousses de Zizania, peuvent être beaucoup plus difficiles à manipuler. Leurs formes varient, et elles finissent souvent sous différents angles, les rendant délicates à détecter et à trier avec précision.

Pour résoudre ce problème, les chercheurs ont développé un système qui utilise la détection par boîte englobante orientée (OBB) pour identifier et grade these crops plus précisément. Le système peut détecter plusieurs cultures dans une seule image, même si elles sont inclinées ou se chevauchent, et évaluer leur qualité et leur position en temps réel.

Avantages et inconvénients de la détection OBB#

Voici quelques-uns des avantages de l'utilisation de la détection OBB :

• Entrée améliorée pour les tâches en aval : Les Computer vision tasks telles que la segmentation d'instances et le suivi d'objets peuvent donner de meilleurs résultats lorsqu'on leur fournit des détections d'objets plus précises.
• Raisonnement spatial amélioré : En capturant l'angle d'orientation, les OBB rendent possible la compréhension de l'alignement et de la direction d'un objet.
• Chevauchement réduit dans les scènes encombrées : Les OBB réduisent l'ambiguïté en ajustant les objets plus étroitement, même dans des scènes chargées ou encombrées.

Malgré l'amélioration de la précision de la détection dans les scènes complexes, la détection OBB présente quelques limitations à prendre en compte :

• Plus grande sensibilité au bruit : De petites erreurs dans la prédiction de l'angle peuvent avoir un impact plus important sur la précision de la détection, surtout pour les objets étroitement emballés ou allongés.
• Outils spécialisés requis : Comme toutes les plateformes d'étiquetage et d'entraînement ne prennent pas nativement en charge les OBB, travailler avec eux peut nécessiter des outils ou une configuration supplémentaire.
• Disponibilité limitée des jeux de données : Par rapport à l'object detection standard, il existe actuellement moins de jeux de données accessibles au public avec des annotations OBB, ce qui peut rendre un peu plus difficile de démarrer ou de comparer les résultats.

Points clés#

La détection par boîte englobante orientée facilite la reconnaissance par les solutions de vision par ordinateur d'objets qui ne sont pas parfaitement droits ou alignés. En capturant à la fois la position et l'orientation des objets, la détection OBB booste la précision dans des cas d'utilisation réels tels que le scan d'images médicales, la surveillance de terres agricoles ou l'analyse de photos satellites.

Avec des modèles comme Ultralytics YOLO11 qui rendent la détection OBB plus accessible, cela devient un choix pratique pour de nombreuses industries. Que tu auras affaire à des objets inclinés, qui se chevauchent ou de formes inégales, la détection OBB ajoute une couche supplémentaire de précision que les méthodes standard manquent souvent.

Curieux de l'IA ? Explore notre GitHub repository, connecte-toi avec our community et consulte our licensing options pour lancer ton projet de computer vision. Apprends-en plus sur les innovations telles que AI in retail et computer vision in the logistics industry sur nos pages de solutions.