8 ottobre 2024
Scoprite come Ultralytics YOLO11 può migliorare il rilevamento degli oggetti utilizzando le bounding box orientate (OBB) e quali sono le applicazioni ideali per questa attività di computer vision.
L'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), si è concentrato sulla discussione delle ultime scoperte nel campo dell 'IA e della computer vision. È stata l'occasione perfetta per presentare il nostro ultimo modello, Ultralytics YOLO11. Il modello supporta le stesse attività di computer vision di Ultralytics YOLOv8, rendendo il passaggio al nuovo modello semplice per gli utenti.
Supponiamo di utilizzare YOLOv8 per il rilevamento di oggetti orientati (OBB, oriented bounding box) per rilevare oggetti da varie angolazioni. Ora potete passare a YOLO11 con qualche piccola modifica al vostro codice e beneficiare dei miglioramenti di YOLO11, che vanno dalla maggiore precisione ed efficienza alla velocità di elaborazione. Nel caso in cui non abbiate ancora utilizzato modelli come YOLO11, il rilevamento OBB è un ottimo esempio di come YOLO11 possa essere applicato in una vasta gamma di settori, offrendo soluzioni pratiche che hanno un impatto reale.
In questo articolo analizzeremo cos'è il rilevamento di oggetti OBB, dove può essere applicato e come utilizzare YOLO11 per rilevare gli OBB. Verrà inoltre illustrato 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 degli OBB.
Il rilevamento di oggetti OBB compie un ulteriore passo avanti rispetto al rilevamento tradizionale, rilevando gli oggetti a diverse angolazioni. A differenza dei normali riquadri di delimitazione che rimangono 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 l'urbanistica, l'energia e i trasporti, la capacità di rilevare con precisione oggetti angolati come edifici, veicoli o infrastrutture può costituire la base di applicazioni di computer vision con vantaggi tangibili.
YOLO11 supporta il rilevamento di OBB ed è stato addestrato sul dataset DOTA v1.0 per rilevare oggetti come aerei, navi e serbatoi da diverse prospettive. YOLO11 è disponibile in diverse varianti di modello per soddisfare le diverse esigenze, tra cui YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) e YOLO11x-obb (Extra Large). Ogni modello offre una dimensione diversa, con vari livelli di velocità, precisione e potenza di calcolo. Gli utenti possono scegliere il modello che offre il giusto equilibrio tra velocità e precisione per la loro applicazione.
Le capacità di rilevamento degli oggetti di YOLO11, in particolare il supporto per le bounding box orientate, offrono una maggiore precisione a diversi settori. A seguire, vedremo alcuni esempi di come YOLO11 e il rilevamento delle OBB possono essere utilizzati in situazioni reali per rendere i processi più efficienti, accurati e facili da gestire in diversi settori.
Se avete mai ammirato il design e il layout di una città, è grazie al lavoro dettagliato della pianificazione urbana e del monitoraggio delle infrastrutture. Uno dei tanti aspetti del monitoraggio delle infrastrutture è l'identificazione e la gestione di strutture importanti come serbatoi di stoccaggio, condutture e siti industriali. YOLO11 può aiutare gli urbanisti ad analizzare le immagini aeree per individuare questi componenti critici in modo rapido e preciso.
Il rilevamento di oggetti con rettangolo di selezione orientato è particolarmente utile in questo caso perché consente di rilevare oggetti visti da diverse angolazioni (come spesso accade con le immagini aeree). La precisione è fondamentale per tenere traccia delle zone industriali, gestire l'impatto ambientale e garantire la corretta manutenzione delle infrastrutture. L'OBB rende il processo di rilevamento più affidabile, aiutando i pianificatori a prendere decisioni informate sulla crescita, la sicurezza e la sostenibilità della città. L'uso di YOLO11 può aiutare i pianificatori a monitorare e gestire le infrastrutture che fanno funzionare le città senza problemi.
Con la diffusione delle energie rinnovabili e di innovazioni come i parchi solari, le ispezioni regolari diventano sempre più importanti. I pannelli solari devono essere controllati per assicurarsi che funzionino in modo efficiente. Nel corso del tempo, infatti, elementi come crepe, accumuli di sporcizia o disallineamenti possono ridurne le prestazioni. Le ispezioni di routine aiutano a individuare tempestivamente questi problemi, in modo da poter effettuare la manutenzione per mantenere il funzionamento regolare.
Ad esempio, i pannelli solari possono essere ispezionati per verificare la presenza di danni utilizzando droni integrati con l'intelligenza artificiale e YOLO11. L'analisi delle immagini sul bordo porta maggiore precisione ed efficienza al processo di ispezione. A causa del movimento e della prospettiva del drone, i filmati di sorveglianza possono spesso riprendere 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.
Porti e porticcioli movimentano centinaia di navi ogni settimana e la gestione di una flotta così grande può essere impegnativa. Un ulteriore elemento di difficoltà è rappresentato dall'analisi delle navi nelle immagini aeree, che spesso appaiono con angolazioni diverse. È qui che il supporto di YOLO11 per il rilevamento delle OBB si rivela utile.
Il rilevamento OBB consente al modello di rilevare le navi a varie angolazioni in modo più accurato rispetto alle scatole rettangolari standard. Utilizzando YOLO11 con OBB, le compagnie di navigazione possono identificare più facilmente la posizione e le condizioni della loro flotta, tenendo traccia di dettagli importanti come i movimenti della flotta e la logistica della catena di approvvigionamento. Queste soluzioni basate sulla visione aiutano a ottimizzare le rotte, a ridurre i ritardi e a migliorare la gestione complessiva della flotta sulle rotte di navigazione.
Se siete uno sviluppatore di intelligenza artificiale e volete utilizzare YOLO11 per il rilevamento di OBB, ci sono due opzioni semplici per iniziare. Se vi sentite a vostro agio a lavorare con il codice, il pacchetto Ultralytics Python è un'ottima scelta. Se invece preferite una soluzione facile da usare, senza codice e con capacità di formazione nel cloud, Ultralytics HUB è una piattaforma interna progettata proprio per questo. Per maggiori dettagli, potete consultare la nostra guida sulla formazione e l'implementazione di Ultralytics YOLO11 utilizzando Ultralytics HUB.
Ora che abbiamo visto alcuni esempi di applicazione del supporto OBB di YOLO11, esploriamo il pacchetto Ultralytics Python e vediamo come è possibile eseguire inferenze e addestrare modelli personalizzati.
Innanzitutto, per utilizzare YOLO11 con Python, è necessario installare il pacchetto Ultralytics. A seconda delle preferenze, si può scegliere di installarlo tramite pip, conda o Docker. Per istruzioni passo passo, potete consultare la nostra Guida all'installazione di Ultralytics. In caso di problemi durante l'installazione, la nostra Guida ai problemi comuni offre utili suggerimenti per la risoluzione dei problemi.
Una volta installato il pacchetto Ultralytics, lavorare con YOLO11 è incredibilmente semplice. L'esecuzione di un'inferenza si riferisce al processo di utilizzo di un modello addestrato per fare previsioni su nuove immagini, come il rilevamento di oggetti con OBB in tempo reale. È diverso dall'addestramento del modello, che consiste nell'insegnare al modello a riconoscere nuovi oggetti o a migliorare le sue prestazioni in compiti specifici. L'inferenza si usa quando si vuole applicare il modello a dati non visti.
L'esempio che segue illustra come caricare un modello e utilizzarlo per prevedere i riquadri di delimitazione orientati di un'immagine. Per esempi più dettagliati e suggerimenti d'uso avanzati, consultate la documentazione ufficiale di Ultralytics per le migliori pratiche e ulteriori istruzioni.
L'addestramento di un modello YOLO11 consente di perfezionare le sue prestazioni su set di dati e compiti specifici, come il rilevamento di oggetti orientati al rettangolo di selezione. Mentre i modelli pre-addestrati come YOLO11 possono essere utilizzati per il rilevamento di oggetti in generale, l'addestramento di un modello personalizzato è essenziale quando è necessario che il modello rilevi oggetti unici o ottimizzi le prestazioni su un set di dati specifico.
Nel frammento di codice che segue, vengono illustrati i passaggi per l'addestramento di un modello YOLO11 per il rilevamento delle OBB.
In primo luogo, il modello viene inizializzato utilizzando i pesi pre-addestrati specifici di YOLO11 OBB (yolo11n-obb.pt). Successivamente, viene utilizzata una funzione di addestramento per allenare il modello su un set di dati personalizzato, con parametri quali il file di configurazione del set di dati, il numero di cicli di addestramento, la dimensione dell'immagine di addestramento e l'hardware su cui eseguire l'addestramento (ad esempio, CPU o GPU). Dopo l'addestramento, le prestazioni del modello vengono convalidate per verificare metriche come l'accuratezza e la perdita.
Utilizzando il modello addestrato, è possibile eseguire inferenze su nuove immagini per rilevare gli oggetti con OBB e visualizzarli. Inoltre, il modello addestrato può essere convertito in formati come ONNX per la distribuzione utilizzando la funzione di esportazione.
Ultralytics YOLO11 porta il rilevamento degli oggetti a un livello superiore grazie al supporto di bounding box orientati. Essendo in grado di rilevare oggetti a diverse angolazioni, YOLO11 può essere utilizzato per varie applicazioni in diversi settori. Ad esempio, è perfetto per settori come l'urbanistica, l'energia e le spedizioni, dove la precisione è fondamentale per attività come l'ispezione dei pannelli solari o il monitoraggio della flotta. Grazie a prestazioni più veloci e a una maggiore precisione, YOLO11 può aiutare gli sviluppatori di intelligenza artificiale a risolvere le sfide del mondo reale.
Man mano che l'IA si diffonde e si integra nella nostra vita quotidiana, modelli come YOLO11 daranno forma al futuro delle soluzioni di IA.
Per conoscere il potenziale di Vision AI, unitevi alla nostra comunità in crescita ed esplorate il nostro repository GitHub. Stiamo guidando l'innovazione reinventando settori come l'assistenza sanitaria e le auto a guida autonoma.
.webp)