Come usare Ultralytics YOLO11 per il rilevamento di oggetti OBB

L'evento annuale ibrido di Ultralytics, YOLO Vision 2024 (YV24), si è concentrato sulle ultime innovazioni nell'IA e nella visione artificiale. È stato anche l'evento in cui abbiamo presentato il nostro modello allora più recente, Ultralytics YOLO11, poi sostituito da Ultralytics YOLO26. Il modello supporta le stesse attività di visione artificiale di Ultralytics YOLOv8, rendendo semplice per gli utenti passare al nuovo modello.

Supponiamo che tu abbia utilizzato YOLOv8 per il rilevamento di oggetti con riquadri delimitatori orientati (OBB), così da rilevare oggetti da diverse angolazioni. Ora puoi passare a YOLO11 con poche modifiche al codice e sfruttare i miglioramenti di YOLO11, che spaziano da maggiore accuratezza ed efficienza a una velocità di elaborazione superiore. Se non hai ancora utilizzato modelli come YOLO11, il rilevamento OBB è un ottimo esempio delle applicazioni di YOLO11 in vari settori, con soluzioni pratiche capaci di fare davvero la differenza.

In questo articolo vedremo che cos'è il rilevamento di oggetti OBB, quali sono le sue applicazioni e come usare Ultralytics YOLO11 per rilevare OBB. Vedremo anche come le nuove funzionalità di YOLO11 possano migliorare questi processi e come eseguire inferenze e addestrare modelli personalizzati per sfruttare al meglio le sue capacità di rilevamento OBB.

Le funzionalità di nuova generazione di Ultralytics YOLO11 includono task come il rilevamento di oggetti OBB#

Il rilevamento di oggetti OBB fa un passo avanti rispetto al rilevamento tradizionale degli oggetti, rilevando gli oggetti da diverse angolazioni. A differenza dei normali riquadri delimitatori, che restano allineati agli assi dell'immagine, gli OBB ruotano per adattarsi all'orientamento dell'oggetto. Il rilevamento di oggetti OBB può essere utilizzato per analizzare immagini aeree o satellitari, in cui gli oggetti non sono sempre dritti. In settori come la pianificazione urbana, l'energia e i trasporti, la capacità di rilevare con precisione oggetti inclinati, come edifici, veicoli o infrastrutture, può costituire la base di applicazioni di visione artificiale con vantaggi concreti.

Fig. 1. Confronto tra riquadri di delimitazione normali e riquadri di delimitazione orientati.

YOLO11 supporta il rilevamento OBB ed è stato addestrato sul dataset DOTA v1.0 per rilevare oggetti come aerei, navi e serbatoi di stoccaggio da diverse prospettive. YOLO11 è disponibile in diverse varianti per soddisfare esigenze differenti, tra cui YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) e YOLO11x-obb (Extra Large). Ogni modello ha dimensioni diverse e offre livelli variabili di velocità, accuratezza e potenza di calcolo. Gli utenti possono scegliere il modello che offre il giusto equilibrio tra velocità e accuratezza per la propria applicazione.

Casi d'uso di Ultralytics YOLO11 che offrono una nuova prospettiva sul rilevamento#

Le capacità di rilevamento degli oggetti di Ultralytics YOLO11, in particolare il supporto per i riquadri di delimitazione orientati, garantiscono una maggiore precisione in diversi settori. Vediamo alcuni esempi di come YOLO11 e il rilevamento OBB possano essere usati in situazioni concrete per rendere i processi più efficienti, precisi e facili da gestire in diversi ambiti.

Pianificazione urbana e monitoraggio delle infrastrutture con Ultralytics YOLO11#

Se hai mai ammirato il design e la disposizione di una città, è grazie al lavoro meticoloso di pianificazione urbana e monitoraggio delle infrastrutture. Uno dei tanti aspetti del monitoraggio delle infrastrutture consiste nell'individuare e gestire strutture importanti come serbatoi di stoccaggio, oleodotti e siti industriali. Ultralytics YOLO11 può aiutare gli urbanisti ad analizzare immagini aeree per rilevare questi elementi fondamentali in modo rapido e accurato.

Il rilevamento di oggetti con riquadri delimitatori orientati è particolarmente utile in questo caso, perché consente di rilevare oggetti ripresi da diverse angolazioni, come spesso accade nelle immagini aeree. La precisione è fondamentale per monitorare le zone industriali, gestire l'impatto ambientale e garantire una corretta manutenzione delle infrastrutture. L'OBB rende il processo di rilevamento più affidabile e aiuta gli urbanisti a prendere decisioni consapevoli sulla crescita, la sicurezza e la sostenibilità della città. L'utilizzo di Ultralytics YOLO11 può aiutare gli urbanisti a monitorare e gestire le infrastrutture che permettono alle città di funzionare senza intoppi.

Fig. 2. Uso di Ultralytics YOLO11 per rilevare serbatoi in riprese aeree.

Ispezione dei pannelli solari con droni, Ultralytics YOLO11 e IA edge#

Con la crescente diffusione delle energie rinnovabili e di innovazioni come i parchi solari, le ispezioni periodiche diventano sempre più importanti. È necessario controllare i pannelli solari per assicurarsi che funzionino in modo efficiente. Con il tempo, crepe, accumuli di sporco o disallineamenti possono ridurne le prestazioni. Le ispezioni regolari aiutano a individuare tempestivamente questi problemi, così da poter effettuare la manutenzione e mantenerli in perfetto funzionamento.

Per esempio, i pannelli solari possono essere ispezionati per rilevare danni usando droni integrati con l'IA edge e Ultralytics YOLO11. L'analisi delle immagini direttamente sul dispositivo rende le ispezioni più precise ed efficienti. A causa del movimento e della prospettiva del drone, le riprese spesso mostrano i pannelli solari da diverse angolazioni. In questi casi, il rilevamento OBB di YOLO11 può aiutare i droni a individuare con precisione i pannelli solari.

Ultralytics YOLO11 può fornire informazioni utili per la gestione delle flotte#

Porti e scali gestiscono centinaia di navi ogni settimana e coordinare una flotta così numerosa può essere difficile. La difficoltà aumenta quando si analizzano le navi nelle immagini aeree, perché spesso appaiono da angolazioni diverse. È qui che torna utile il supporto al rilevamento OBB di Ultralytics YOLO11.

Il rilevamento OBB consente al modello di rilevare le navi da diverse angolazioni con maggiore precisione rispetto ai riquadri rettangolari standard. Utilizzando Ultralytics YOLO11 con OBB, le compagnie di navigazione possono individuare più facilmente la posizione e le condizioni della propria flotta, monitorando dettagli importanti come gli spostamenti delle navi e la logistica della catena di approvvigionamento. Queste soluzioni basate sulla visione artificiale aiutano a ottimizzare le rotte, ridurre i ritardi e migliorare la gestione complessiva della flotta lungo le rotte marittime.

Fig. 3. Uso di Ultralytics YOLO11 per rilevare navi e porti da un'angolazione.

Ultralytics YOLO11 per sviluppatori di IA: rilevamento dei riquadri di delimitazione orientati#

Se sei uno sviluppatore di IA e vuoi usare YOLO11 per il rilevamento OBB, hai due opzioni semplici per iniziare. Se hai dimestichezza con il codice, il pacchetto Python di Ultralytics è un'ottima scelta. Se preferisci una soluzione intuitiva senza codice, con funzionalità di addestramento nel cloud, Ultralytics HUB (ora Ultralytics Platform) è la piattaforma che fa al caso tuo. Per maggiori dettagli, consulta la nostra guida su come addestrare e distribuire Ultralytics YOLO11 usando Ultralytics HUB.

Ora che abbiamo visto alcuni esempi di applicazione del supporto OBB di YOLO11, esploriamo il pacchetto Python Ultralytics e scopriamo come eseguire inferenze e addestrare modelli personalizzati con questo pacchetto.

Esecuzione di inferenze con Ultralytics YOLO11#

Per prima cosa, per usare YOLO11 con Python devi installare il pacchetto Ultralytics. In base alle tue preferenze, puoi installarlo con pip, conda o Docker. Per le istruzioni dettagliate, consulta la nostra Guida all'installazione di Ultralytics. Se riscontri problemi durante l'installazione, la nostra Guida ai problemi comuni offre consigli utili per risolverli.

Dopo aver installato il pacchetto Ultralytics, lavorare con YOLO11 è semplice. Eseguire un'inferenza significa usare un modello addestrato per fare previsioni su nuove immagini, ad esempio rilevando oggetti con OBB in tempo reale. È un processo diverso dall'addestramento del modello, durante il quale gli insegni a riconoscere nuovi oggetti o a migliorare le sue prestazioni in attività specifiche. L'inferenza si usa quando vuoi applicare il modello a dati mai visti prima.

L'esempio seguente spiega come caricare un modello e usarlo per prevedere riquadri delimitatori orientati in un'immagine. Per esempi più dettagliati e suggerimenti sull'uso avanzato, consulta la documentazione ufficiale di Ultralytics per scoprire le migliori pratiche e ulteriori istruzioni.

Fig. 4. Frammento di codice che mostra come eseguire inferenze con Ultralytics YOLO11.

Addestramento di un modello Ultralytics YOLO11 personalizzato#

Addestrare un modello Ultralytics YOLO11 ti consente di perfezionarne le prestazioni su dataset e attività specifici, come il rilevamento di oggetti con riquadri delimitatori orientati. Sebbene i modelli preaddestrati come YOLO11 possano essere utilizzati per il rilevamento generale degli oggetti, addestrare un modello personalizzato è essenziale quando vuoi rilevare oggetti specifici o ottimizzare le prestazioni su un determinato dataset.

Nel frammento di codice qui sotto, illustriamo i passaggi per addestrare un modello Ultralytics YOLO11 per il rilevamento OBB.

Per prima cosa, il modello viene inizializzato utilizzando pesi YOLO11 preaddestrati specifici per OBB (yolo11n-obb.pt). Poi, una funzione di addestramento allena il modello su un dataset personalizzato, con parametri come il file di configurazione del dataset, il numero di cicli di addestramento, le dimensioni delle immagini di addestramento e l'hardware su cui eseguire l'addestramento, ad esempio CPU o GPU. Al termine dell'addestramento, si convalida le prestazioni del modello per verificare metriche come precisione, richiamo e media della precisione media (mAP).

Con il modello addestrato puoi eseguire inferenze su nuove immagini per rilevare oggetti con OBB e visualizzarli. Inoltre, il modello addestrato può essere convertito in formati come ONNX per la distribuzione usando la funzionalità di esportazione.

Fig. 5. Esempio di addestramento di Ultralytics YOLO11 per il rilevamento di oggetti OBB.

Il futuro dei progressi nell'IA con Ultralytics YOLO11#

Ultralytics YOLO11 amplia il rilevamento degli oggetti supportando i riquadri delimitatori orientati. Grazie alla capacità di rilevare oggetti da diverse angolazioni, YOLO11 può essere utilizzato in varie applicazioni e settori. Per esempio, è particolarmente adatto a settori come la pianificazione urbana, l'energia e il trasporto marittimo, dove la precisione è fondamentale per attività come l'ispezione dei pannelli solari o il monitoraggio delle flotte. Grazie a prestazioni più rapide e a una maggiore accuratezza, YOLO11 può aiutare gli sviluppatori di IA a risolvere problemi concreti.

Con la crescente diffusione dell'IA e la sua integrazione nella vita quotidiana, modelli come Ultralytics YOLO11 plasmeranno il futuro delle soluzioni basate sull'IA.

Per scoprire il potenziale dell'IA visiva, unisciti alla nostra community in crescita ed esplora il nostro repository GitHub. Scopri come l'IA visiva trova applicazione in settori che vanno dall'assistenza sanitaria alle auto a guida autonoma.