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

Reconnaître des objets, quelle que soit leur disposition ou leur orientation, nous vient naturellement en tant qu’êtres humains. Qu’il s’agisse de voitures à une intersection ou de bateaux dans un port, nous pouvons facilement déterminer ce qu’ils sont et dans quelle direction ils pointent. Cependant, pour les systèmes d’intelligence artificielle (AI), ce n’est pas si simple.

Par exemple, la vision par ordinateur, une branche de l’IA axée sur la compréhension des images et des vidéos, permet d’effectuer des tâches comme la détection d’objets, qui aide les machines à identifier et à localiser les objets dans une scène. La détection d’objets traditionnelle s’appuie sur des boîtes englobantes alignées sur les axes pour encadrer les objets. Ces boîtes ont des côtés droits et des angles droits fixes. Cette approche fonctionne bien lorsque les objets sont droits et pas trop rapprochés.

Mais lorsque les objets sont inclinés, pivotés ou rapprochés, la détection d’objets traditionnelle peine souvent à les délimiter avec précision. Pour traiter ces situations plus complexes, des techniques comme la détection par boîte englobante orientée (OBB) ont été introduites. Contrairement aux boîtes englobantes standard, les OBB peuvent pivoter pour épouser l’angle et la forme de l’objet, ce qui permet de l’encadrer de manière plus ajustée et précise.

Les modèles de vision par ordinateur comme Ultralytics YOLO11, qui prennent en charge la détection OBB, permettent de nombreuses applications en temps réel, en particulier dans les scénarios où l’orientation des objets compte, comme la surveillance aérienne. La détection OBB est également utilisée dans les secteurs de la santé, de l’agriculture et de l’analyse de documents.

Dans cet article, nous allons voir ce qu’est la détection OBB, comment elle fonctionne et dans quels cas elle est utilisée en pratique.

Fig. 1. Exemple de démonstration de l’utilisation de YOLO11 pour la détection OBB de bateaux.

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

Une boîte englobante orientée est un rectangle utilisé en vision par ordinateur 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 s’adapter à l’angle réel de l’objet.

Cette capacité de rotation présente plusieurs avantages. Les OBB peuvent mieux correspondre à l’orientation d’un objet, ce qui permet à la boîte d’épouser étroitement sa forme et sa direction. La détection gagne ainsi en exactitude et en précision.

Les OBB sont particulièrement utiles lorsque les objets ne sont pas parfaitement droits, par exemple une voiture qui tourne sur une route sinueuse dans une vidéo aérienne, un livre incliné sur un bureau ou une tumeur orientée de biais dans une image médicale. En s’adaptant plus précisément à l’angle d’un objet, les OBB améliorent les performances de détection, réduisent les interférences de l’arrière-plan et sont particulièrement utiles dans les applications où l’orientation de l’objet compte autant que sa position.

Fig. 2. Comparaison entre la détection d’objets et la détection OBB.

Détection OBB et détection d’objets#

La détection OBB et la détection d’objets traditionnelle peuvent sembler similaires à première vue, mais elles répondent à des besoins et à des situations différents. Voyons plus en détail leurs différences à l’aide d’un exemple.

Les modèles de vision par ordinateur, comme YOLO11, peuvent être entraînés à détecter et à classer des objets dans diverses applications concrètes, comme l’inspection industrielle. Prenons une chaîne de montage en usine où différentes pièces de machine avancent sur un tapis roulant. Certaines pièces peuvent être bien placées, tandis que d’autres peuvent être légèrement pivotées, inclinées ou se chevaucher sous l’effet des vibrations ou de la vitesse.

La détection d’objets traditionnelle utilise des boîtes rectangulaires droites, alignées sur les bords horizontal et vertical de l’image. Ainsi, lorsqu’une pièce est pivotée, la boîte peut mal l’épouser : elle risque d’exclure une partie de l’objet ou d’inclure trop d’arrière-plan. Les détections sont alors moins précises et le système a plus de mal à identifier la pièce avec certitude.

Maintenant, supposons que tu utilises plutôt la détection OBB. Le modèle peut alors tracer une boîte pivotant pour épouser l’angle exact de chaque pièce. Un engrenage incliné ou un composant oblique sera étroitement encadré par une boîte adaptée à sa forme et à son orientation. Cela permet d’obtenir une meilleure précision, moins d’erreurs et des résultats plus fiables, notamment pour le contrôle qualité automatisé ou le tri robotisé.

Modèles de détection OBB populaires#

Maintenant que nous comprenons mieux ce qu’est la détection OBB, découvrons quelques-uns des modèles d’IA visuelle les plus utilisés qui la prennent en charge.

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

Les premières versions, comme Ultralytics YOLOv5, étaient conçues pour la détection d’objets standard. Les versions suivantes, telles que Ultralytics YOLOv8 et la plus récente YOLO11, désormais remplacée par Ultralytics YOLO26, ont introduit la prise en charge native de la détection OBB. YOLO11, en particulier, offre une précision de pointe sans sacrifier la vitesse, ce qui en fait une option efficace pour les applications en temps réel.

Les modèles YOLO11 OBB préentraînés, comme YOLO11n-obb, sont entraînés sur des jeux de données tels que DOTAv1, qui contient des images aériennes annotées avec diverses classes d’objets, comme des avions, des navires et des courts de tennis, apparaissant sous différents angles et orientations.

Ces modèles existent également en cinq tailles, de nano (n-obb) à extra-large (x-obb), afin de répondre à différents besoins en matière de performances. Cette polyvalence permet de les utiliser dans divers secteurs, par exemple pour surveiller les infrastructures urbaines, inspecter des machines ou lire du texte incliné dans des documents numérisés.

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

Dans de nombreuses situations réelles, les objets que tu dois détecter peuvent être très différents de ceux présents dans les jeux de données d’entraînement standard. Par exemple, des outils sur une chaîne de production, des emballages de produits ou des composants sur une carte de circuits imprimés peuvent être pivotés, placés de manière irrégulière ou avoir des formes différentes.

Pour détecter ces objets personnalisés avec précision, surtout lorsque leur orientation compte, il est important d’entraîner des modèles comme Ultralytics YOLO11 avec tes propres images et annotations. Ce processus s’appelle l’entraînement personnalisé.

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

• Collecte d’images : rassemble des images présentant les objets que tu cibles sous différents angles et dans différentes positions et situations réelles.
• Annotation des objets : annote chaque objet à l’aide de boîtes englobantes orientées (OBB) pour indiquer sa position et son orientation, avec des outils d’annotation prenant en charge les OBB.
• Préparation du jeu de données : organise tes images et leurs annotations au format de jeu de données YOLO OBB, puis crée un fichier de configuration YAML contenant les noms de tes classes et les chemins d’accès à ton jeu de données.
• Entraînement du modèle : choisis une version du modèle Ultralytics YOLO11 adaptée à tes besoins, puis lance l’entraînement afin que le modèle puisse apprendre à partir de tes images annotées.
• Évaluation et déploiement : teste ton modèle entraîné sur de nouvelles images, évalue sa précision et déploie-le dans des applications concrètes comme la fabrication, la surveillance aérienne ou l’analyse de documents.

Applications rendues possibles par la détection OBB#

Les objets décentrés ou inclinés sont très courants dans des situations réelles. Voyons quelques exemples où la détection OBB fait toute la différence en détectant ces objets avec précision.

Analyse d’images radiographiques à l’aide de la détection OBB#

La détection OBB peut aller encore plus loin dans l’analyse d’images médicales en améliorant la précision. Les images médicales contiennent souvent des structures anatomiques telles que des tumeurs, des organes ou des os. Ces structures présentent souvent des formes irrégulières et des orientations variées. Comme les OBB peuvent pivoter pour s’aligner sur l’angle d’un objet, elles permettent une localisation et une mesure plus précises, ce qui est essentiel pour le diagnostic et la planification du traitement.

Cette approche est particulièrement efficace pour analyser les 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 des radiographies de coudes pédiatriques. 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 par boîtes englobantes orientées (c, f).

Surveillance aérienne optimisée 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 prises par des drones ou des satellites peuvent aider à identifier des objets tels que des navires, des véhicules et des bâtiments. Toutefois, dans ces images, les objets apparaissent souvent petits et sous des angles inhabituels, ce qui complique leur détection précise.

La détection OBB résout ce problème en inclinant les boîtes englobantes pour les adapter à l’angle de chaque objet. Cela permet de mesurer plus précisément la taille et l’orientation des objets, ce qui favorise une meilleure prise de décision dans des domaines comme l’urbanisme, la défense, l’intervention en cas de catastrophe et la surveillance environnementale.

Le suivi des navires dans le cadre de la surveillance maritime est un exemple intéressant de détection OBB. Les images satellites montrent souvent des navires sous différents angles et de tailles variées, en fonction des conditions météorologiques, de l’éclairage ou du mouvement. Les OBB s’adaptent à ces changements et améliorent la détection, en particulier pour les navires de petite taille ou partiellement masqués.

Fig. 4. Exemple d’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 essentielle pour garantir leur qualité avant leur emballage et leur mise en marché. Si de nombreux systèmes fonctionnent bien avec les fruits ronds comme les pommes et les oranges, les cultures longues et étroites, comme les carottes ou les pousses de Zizania, sont beaucoup plus difficiles à traiter. Leur forme varie et elles se retrouvent souvent sous différents angles, ce qui complique leur détection et leur tri précis.

Pour relever ce défi, des chercheurs ont mis au point un système qui utilise la détection de boîtes englobantes orientées (OBB) pour identifier et classer ces cultures avec plus de précision. Le système peut détecter plusieurs cultures sur une image, même lorsqu’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 avantages de la détection OBB :

• Amélioration des données d’entrée pour les tâches en aval : Les tâches de vision par ordinateur, comme la segmentation d’instances et le suivi d’objets, peuvent donner de meilleurs résultats lorsqu’elles disposent de détections d’objets plus précises.
• Amélioration du raisonnement spatial : En capturant l’angle d’orientation, les OBB permettent de comprendre l’alignement et la direction d’un objet.
• Réduction des chevauchements dans les scènes encombrées : Les OBB réduisent l’ambiguïté en épousant plus étroitement la forme des objets, même dans des scènes chargées ou encombrées.

Bien que la détection OBB contribue à améliorer la précision dans les scènes complexes, elle présente quelques limites à prendre en compte :

• Sensibilité accrue 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 rapprochés ou allongés.
• Outils spécialisés nécessaires : Comme toutes les plateformes d’annotation et d’entraînement ne prennent pas en charge les OBB nativement, leur utilisation peut nécessiter des outils ou une configuration supplémentaires.
• Disponibilité limitée des jeux de données : Par rapport à la détection d’objets standard, il existe actuellement moins de jeux de données accessibles au public avec des annotations OBB, ce qui peut rendre les premiers pas ou la comparaison des résultats un peu plus difficiles.

Points clés à retenir#

La détection par boîtes englobantes orientées aide les solutions de vision par ordinateur à reconnaître les objets qui ne sont pas parfaitement droits ou alignés. En capturant à la fois la position et l’orientation des objets, la détection OBB améliore la précision dans des cas d’utilisation réels tels que l’analyse d’images médicales, la surveillance des terres agricoles ou l’analyse de photos satellites.

Avec des modèles comme Ultralytics YOLO11 qui rendent la détection OBB plus accessible, elle devient une option pratique pour de nombreux secteurs. Qu’il s’agisse d’objets inclinés, qui se chevauchent ou de forme inhabituelle, la détection OBB apporte un niveau de précision supplémentaire qui échappe souvent aux méthodes standard.

Curieux de découvrir l’IA ? Explore notre dépôt GitHub, rejoins notre communauté et consulte nos options de licence pour lancer ton projet de vision par ordinateur. Découvre des innovations comme l’IA dans le commerce de détail et la vision par ordinateur dans le secteur de la logistique sur nos pages dédiées aux solutions.