Come utilizzare Ultralytics YOLO11 per il rilevamento di oggetti OBB

L’evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), si è concentrato sulla discussione delle ultime innovazioni nell’AI e nella computer vision. È stata l’occasione perfetta per presentare il nostro modello più recente, Ultralytics YOLO11. Il modello supporta gli stessi task di computer vision di Ultralytics YOLOv8, rendendo il passaggio al nuovo modello semplice per gli utenti.

Supponiamo che tu stia utilizzando YOLOv8 per il rilevamento di oggetti con riquadri delimitatori orientati (OBB) allo scopo di rilevare oggetti da diverse angolazioni. Ora puoi passare a YOLO11 con poche modifiche al codice e beneficiare dei miglioramenti di YOLO11, che spaziano da una 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 di come applicare YOLO11 in diversi settori, offrendo soluzioni pratiche con un impatto concreto.

In questo articolo vedremo che cos’è il rilevamento di oggetti con OBB, dove può essere applicato e come utilizzare Ultralytics YOLO11 per rilevare oggetti con OBB. Vedremo inoltre come le nuove funzionalità di YOLO11 possono 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 con OBB#

Il rilevamento di oggetti con OBB porta il rilevamento tradizionale degli oggetti a un livello superiore, rilevando gli oggetti da diverse angolazioni. A differenza dei normali riquadri delimitatori, che rimangono allineati agli assi dell’immagine, gli OBB ruotano per adattarsi all’orientamento dell’oggetto. Il rilevamento di oggetti con OBB può essere utilizzato per analizzare immagini aeree o satellitari, nelle quali gli oggetti non sono sempre disposti orizzontalmente. 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 per applicazioni di computer vision dai vantaggi concreti.

Fig. 1. Confronto tra riquadri delimitatori normali e riquadri delimitatori 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 di modello 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 differenti di velocità, accuratezza e potenza di calcolo. Puoi scegliere il modello che offre il giusto equilibrio tra velocità e accuratezza per la tua applicazione.

Casi d’uso di Ultralytics YOLO11 che introducono una nuova prospettiva nel rilevamento#

Le capacità di rilevamento degli oggetti di Ultralytics YOLO11, in particolare il supporto per i riquadri delimitatori orientati, offrono maggiore precisione in diversi settori. Di seguito esamineremo alcuni esempi di come YOLO11 e il rilevamento OBB possano essere utilizzati in situazioni reali per rendere i processi più efficienti, accurati e semplici da gestire in vari ambiti.

Pianificazione urbana e monitoraggio delle infrastrutture con Ultralytics YOLO11#

Se hai mai ammirato il design e la configurazione di una città, lo devi al lavoro dettagliato della pianificazione urbana e del monitoraggio delle infrastrutture. Uno dei numerosi aspetti del monitoraggio delle infrastrutture consiste nell’identificare e gestire strutture importanti come serbatoi di stoccaggio, oleodotti e siti industriali. Ultralytics YOLO11 può aiutare i pianificatori urbani ad analizzare immagini aeree per rilevare rapidamente e con precisione questi elementi critici.

Il rilevamento di oggetti con riquadri delimitatori orientati è particolarmente utile in questo contesto, perché consente di rilevare oggetti osservati da diverse angolazioni, una situazione comune nelle immagini aeree. La precisione è fondamentale per tenere sotto controllo le zone industriali, gestire l’impatto ambientale e garantire una corretta manutenzione delle infrastrutture. Gli OBB rendono il processo di rilevamento più affidabile, aiutando i pianificatori a prendere decisioni informate sulla crescita, la sicurezza e la sostenibilità della città. Utilizzare Ultralytics YOLO11 può aiutare i pianificatori a monitorare e gestire le infrastrutture che consentono alle città di funzionare senza problemi.

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

Ispezione dei pannelli solari con droni, Ultralytics YOLO11 ed edge AI#

Con la crescente diffusione delle energie rinnovabili e di innovazioni come i parchi solari, le ispezioni regolari stanno diventando sempre più importanti. I pannelli solari devono essere controllati per assicurarsi che funzionino in modo efficiente. Nel tempo, elementi come crepe, accumuli di sporco o disallineamenti possono ridurne le prestazioni. Le ispezioni periodiche aiutano a individuare tempestivamente questi problemi, così da poter eseguire la manutenzione necessaria per mantenerli in funzione in modo ottimale.

Ad esempio, i pannelli solari possono essere ispezionati per rilevare eventuali danni utilizzando droni integrati con l’edge AI e Ultralytics YOLO11. L’analisi delle immagini sull’edge offre maggiore precisione ed efficienza al processo di ispezione. A causa del movimento e della prospettiva del drone, le riprese di sorveglianza possono spesso catturare i pannelli solari da diverse angolazioni. In questi casi, il rilevamento OBB di YOLO11 può aiutare i droni a identificare con precisione i pannelli solari.

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

Porti e approdi gestiscono centinaia di navi ogni settimana e amministrare una flotta così numerosa può essere complesso. Un ulteriore elemento di difficoltà si presenta quando si analizzano le navi nelle immagini aeree, poiché spesso appaiono da angolazioni diverse. È qui che il supporto di Ultralytics YOLO11 al rilevamento OBB si rivela utile.

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 gli OBB, le compagnie di navigazione possono identificare più facilmente la posizione e le condizioni della propria flotta, tenendo traccia di dettagli importanti come gli spostamenti della flotta e la logistica della catena di approvvigionamento. Queste soluzioni basate sulla computer vision aiutano a ottimizzare le rotte, ridurre i ritardi e migliorare la gestione complessiva della flotta lungo le rotte marittime.

Fig. 3. Utilizzo di Ultralytics YOLO11 per rilevare navi e approdi da un’angolazione.

Ultralytics YOLO11 per gli sviluppatori di AI: rilevamento di riquadri delimitatori orientati#

Se sei uno sviluppatore di AI interessato a utilizzare YOLO11 per il rilevamento OBB, hai due semplici opzioni per iniziare. Se ti trovi a tuo agio con il codice, il pacchetto Python di Ultralytics è un’ottima scelta. Se preferisci una soluzione intuitiva e senza codice, con funzionalità di addestramento sul cloud, Ultralytics HUB è una piattaforma interna progettata proprio a questo scopo. Per maggiori dettagli, consulta la nostra guida su come addestrare e distribuire Ultralytics YOLO11 utilizzando Ultralytics HUB.

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

Esecuzione di inferenze con Ultralytics YOLO11#

Per prima cosa, per utilizzare YOLO11 con Python dovrai installare il pacchetto Ultralytics. In base alle tue preferenze, puoi scegliere di installarlo utilizzando pip, conda o Docker. Per istruzioni dettagliate, consulta la nostra Guida all’installazione di Ultralytics. Se riscontri problemi durante l’installazione, la nostra Guida ai problemi comuni offre suggerimenti utili per la risoluzione dei problemi.

Dopo aver installato il pacchetto Ultralytics, lavorare con YOLO11 è estremamente semplice. Eseguire un’inferenza significa utilizzare un modello addestrato per effettuare previsioni su nuove immagini, ad esempio rilevare oggetti con OBB in tempo reale. Questo processo è diverso dall’addestramento del modello, durante il quale insegni al modello a riconoscere nuovi oggetti o a migliorarne le prestazioni in task specifici. L’inferenza viene utilizzata quando vuoi applicare il modello a dati mai visti.

L’esempio seguente ti mostra come caricare un modello e utilizzarlo per prevedere riquadri delimitatori orientati in un’immagine. Per esempi più dettagliati e suggerimenti sull’utilizzo avanzato, consulta la documentazione ufficiale di Ultralytics per le best practice e ulteriori istruzioni.

Fig. 4. Snippet di codice che mostra l’esecuzione di inferenze utilizzando Ultralytics YOLO11.

Addestramento di un modello Ultralytics YOLO11 personalizzato#

Addestrare un modello Ultralytics YOLO11 significa poter ottimizzarne le prestazioni per dataset e task 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 devi rilevare oggetti unici o ottimizzare le prestazioni su un dataset specifico.

Nel seguente snippet di codice illustriamo i passaggi per addestrare un modello Ultralytics YOLO11 per il rilevamento OBB.

Innanzitutto, il modello viene inizializzato utilizzando pesi YOLO11 OBB preaddestrati e specifici (yolo11n-obb.pt). Successivamente, una funzione di addestramento viene utilizzata per addestrare il modello su un dataset personalizzato, con parametri come il file di configurazione del dataset, il numero di cicli di addestramento, la dimensione delle immagini di addestramento e l’hardware su cui eseguire l’addestramento, ad esempio CPU o GPU. Al termine dell’addestramento, le prestazioni del modello vengono convalidate per verificare metriche come accuratezza e perdita.

Utilizzando 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 utilizzando la funzionalità di esportazione.

Fig. 5. Un esempio di addestramento di Ultralytics YOLO11 per il rilevamento di oggetti con OBB.

Il futuro dei progressi nell’AI con Ultralytics YOLO11#

Ultralytics YOLO11 porta il rilevamento degli oggetti a un livello superiore grazie al supporto per i riquadri delimitatori orientati. Potendo rilevare gli oggetti da diverse angolazioni, YOLO11 può essere utilizzato in numerose applicazioni e settori. Ad esempio, è particolarmente adatto a settori come la pianificazione urbana, l’energia e la navigazione, nei quali la precisione è fondamentale per attività come l’ispezione dei pannelli solari o il monitoraggio delle flotte. Grazie a prestazioni più elevate e a una maggiore accuratezza, YOLO11 può aiutare gli sviluppatori di AI a risolvere problemi del mondo reale.

Con la crescente adozione e integrazione dell’AI nella nostra vita quotidiana, modelli come Ultralytics YOLO11 contribuiranno a plasmare il futuro delle soluzioni di AI.

Per scoprire il potenziale dell’AI per la computer vision, entra a far parte della nostra community in crescita ed esplora il nostro repository GitHub. Promuoviamo l’innovazione reinventando settori che spaziano dalla sanità alle auto a guida autonoma.