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

Reconnaître les objets, quelle que soit leur disposition ou leur orientation, nous vient naturellement à nous, les 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 se dirigent. Cependant, pour les systèmes d’intelligence artificielle (AI), ce n’est pas aussi 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 a souvent du mal à les capturer avec précision. Pour gérer 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 s’adapter à l’angle et à la forme de l’objet, ce qui permet un ajustement plus étroit et plus précis.

Les modèles de vision par ordinateur comme Ultralytics YOLO11, qui prennent en charge la détection OBB, permettent un large éventail d’applications en temps réel, notamment dans les scénarios où l’orientation des objets est importante, comme la surveillance aérienne. Au-delà de cela, la détection OBB est également utilisée dans les domaines de la santé, de l’agriculture et de l’analyse de documents.

Dans cet article, nous allons découvrir ce qu’est la détection OBB, comment elle fonctionne et dans quels scénarios réels elle est utilisée. Commençons !

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 type de boîte rectangulaire 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 à pivoter présente plusieurs avantages. Les OBB peuvent s’aligner plus étroitement sur l’orientation d’un objet, ce qui permet à la boîte de s’ajuster précisément à sa forme et à sa direction. La détection devient ainsi plus exacte et plus précise.

Les OBB sont particulièrement utiles lorsque les objets ne sont pas parfaitement droits, comme une voiture qui tourne sur une route sinueuse dans une séquence aérienne, un livre incliné sur un bureau ou une tumeur pivotée sur 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 adaptés aux 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 au premier abord, mais elles sont utilisées de manière différente et dans des situations différentes. Examinons de plus près leurs différences à l’aide d’un exemple.

Les modèles de vision par ordinateur, comme YOLO11, peuvent être entraînés à détecter et à classifier des objets dans diverses applications réelles, comme l’inspection industrielle. Imagine une chaîne d’assemblage en usine où différentes pièces mécaniques se déplacent sur un tapis roulant. Certaines pièces peuvent être soigneusement positionnées, tandis que d’autres peuvent être légèrement pivotées, inclinées ou se chevaucher à cause des vibrations ou de la vitesse.

La détection d’objets traditionnelle utilise des boîtes rectangulaires droites qui s’alignent sur les bords horizontaux et verticaux de l’image. Ainsi, lorsqu’une pièce est pivotée, la boîte peut ne pas s’ajuster correctement : elle peut exclure une partie de l’objet ou inclure trop d’arrière-plan. Les détections peuvent alors être moins précises, et le système peut avoir plus de difficulté à identifier la pièce avec confiance.

Supposons maintenant que tu utilises plutôt la détection OBB. Dans ce cas, le modèle peut tracer une boîte qui pivote pour s’adapter à l’angle exact de chaque pièce. Un engrenage incliné ou un composant oblique sera étroitement entouré par une boîte qui épouse sa forme et sa direction. Cela offre une meilleure précision, moins d’erreurs et des résultats plus fiables, notamment pour des cas d’utilisation comme le contrôle qualité automatisé ou le tri robotisé.

Modèles populaires de détection OBB#

Maintenant que nous comprenons mieux ce qu’est la détection OBB, examinons certains des modèles d’IA de vision les plus utilisés qui la prennent en charge.

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

Les premières versions, comme Ultralytics YOLOv5, ont été conçues pour la détection d’objets standard. Les versions suivantes, comme Ultralytics YOLOv8 et le plus récent YOLO11, ont introduit la prise en charge native de la détection OBB. YOLO11 offre notamment une précision de pointe sans compromettre la vitesse, ce qui en fait une solution performante 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 se compose d’images aériennes annotées avec diverses classes d’objets, comme des avions, des navires et des courts de tennis apparaissant sous différents angles et orientations.

De plus, ces modèles sont disponibles en cinq tailles différentes, de nano (n-obb) à très grande (x-obb), afin de répondre à différents besoins en matière de performances. Cette polyvalence permet de les appliquer dans divers secteurs, de la surveillance des infrastructures urbaines et de l’inspection des machines à la lecture de textes inclinés dans des documents numérisés.

Entraîner Ultralytics YOLO11 pour la détection par boîte englobante orientée#

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

Pour détecter précisément ces objets personnalisés, surtout lorsque l’orientation est importante, il est essentiel d’entraîner des modèles comme Ultralytics YOLO11 avec tes propres images et annotations. Ce processus est appelé 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 ciblés sous différents angles, dans différentes positions et dans divers environnements réels.
• Annotation des objets : annote chaque objet à l’aide de boîtes englobantes orientées (OBB) afin de capturer à la fois leur position et leur orientation, en utilisant des outils d’annotation prenant en charge les OBB.
• Préparation du jeu de données : organise tes images et tes annotations selon la structure de répertoires YOLO, puis crée un fichier de configuration YAML contenant les noms de tes classes et les chemins d’accès au jeu de données.
• Entraînement du modèle : choisis une version du modèle Ultralytics YOLO11 adaptée à tes besoins, puis lance le processus d’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, puis déploie-le dans des applications pratiques 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 les situations réelles. Examinons quelques exemples où la détection OBB fait une réelle différence en détectant précisément ces objets.

Analyse d’images radiographiques avec la détection OBB#

La détection OBB peut améliorer l’analyse d’images médicales en renforçant la précision. Les images médicales contiennent souvent des structures anatomiques comme des tumeurs, des organes ou des os. Ces structures présentent fréquemment des formes irrégulières et des orientations variées. Comme les OBB peuvent pivoter pour s’adapter à 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 images radiographiques de fractures osseuses, où la position et l’alignement des os sont des facteurs essentiels. 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 boîte englobante orientée (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’aménagement urbain. Les images capturées par des drones ou des satellites peuvent aider à identifier des objets comme 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 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’aménagement urbain, la défense, la réponse aux catastrophes et la surveillance environnementale.

Le suivi des navires dans le cadre de la surveillance maritime constitue un exemple intéressant de détection OBB. Les images satellites capturent souvent les navires sous des angles et dans des tailles variables en raison des conditions météorologiques, de l’éclairage ou du mouvement. Les OBB peuvent s’adapter à ces changements et améliorer la détection, notamment pour les navires plus petits ou partiellement masqués.

Fig 4. Aperçu de l’utilisation de la détection OBB pour la surveillance maritime.

Utilisation de la détection OBB dans l’agriculture#

Le tri des cultures après la récolte est une étape essentielle pour garantir leur qualité avant leur conditionnement et leur mise sur le marché. Alors que 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, peuvent être beaucoup plus difficiles à traiter. Leur forme varie et elles se retrouvent souvent sous des angles différents, ce qui complique leur détection et leur tri précis.

Pour résoudre ce problème, des chercheurs ont développé un système qui utilise la détection par boîte englobante orientée (OBB) pour identifier et évaluer ces cultures avec davantage de précision. 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 avantages de l’utilisation de la détection OBB :

• Amélioration des entrées pour les tâches en aval : les tâches de vision par ordinateur, comme la segmentation d’instances et le suivi d’objets, peuvent être plus performantes lorsqu’elles reçoivent des détections d’objets plus précises.
• Raisonnement spatial amélioré : 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 précisément les objets, même dans les scènes chargées ou encombrées.

Bien qu’elle contribue à améliorer la précision de la détection dans les scènes complexes, la détection OBB 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, notamment pour les objets très rapprochés ou allongés.
• Outils spécialisés nécessaires : comme toutes les plateformes d’annotation et d’entraînement ne prennent pas en charge nativement les OBB, 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 débuts ou la comparaison des résultats légèrement plus difficiles.

Points clés à retenir#

La détection par boîte englobante orientée permet aux solutions de vision par ordinateur de reconnaître plus facilement 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 comme 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, celle-ci devient une option pratique pour de nombreux secteurs. Que tu aies affaire à des objets inclinés, qui se chevauchent ou de forme inhabituelle, la détection OBB ajoute un niveau de précision supplémentaire que les méthodes standard ne parviennent souvent pas à atteindre.

Tu t’intéresses à l’IA ? Explore notre dépôt GitHub, rejoins notre communauté et consulte nos options de licence pour lancer ton projet de vision par ordinateur. Découvre-en davantage sur des innovations comme l’IA dans le commerce de détail et la vision par ordinateur dans le secteur de la logistique sur nos pages consacrées aux solutions.