Come usare Ultralytics YOLO11 per il rilevamento oggetti OBB
Comprendi come Ultralytics YOLO11 può migliorare il rilevamento degli oggetti usando le oriented bounding boxes (OBB) e per quali applicazioni questo task di computer vision è ideale.
L'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), si è concentrato sulla discussione delle ultime innovazioni nell'IA e nella visione artificiale. Questa è stata l'occasione perfetta per presentare il nostro modello più recente, Ultralytics YOLO11. Il modello supporta le stesse attività di visione artificiale 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 di delimitazione orientati (OBB) per rilevare oggetti da varie angolazioni. Ora puoi passare a YOLO11 con poche piccole modifiche al tuo codice e beneficiare dei miglioramenti di YOLO11, che spaziano da una maggiore precisione ed efficienza alla velocità di elaborazione. Se non hai 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 esamineremo cos'è il rilevamento di oggetti OBB, dove può essere applicato e come utilizzare 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.
Link to this sectionLe funzionalità di nuova generazione di YOLO11 includono attività come il rilevamento di oggetti OBB#
Il rilevamento di oggetti OBB fa un passo avanti rispetto al rilevamento tradizionale degli oggetti, rilevando gli oggetti ad angolazioni diverse. A differenza dei normali riquadri di delimitazione che rimangono allineati con gli 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 angolati come edifici, veicoli o infrastrutture può costituire la base di applicazioni di visione artificiale con vantaggi tangibili.
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 di modello per soddisfare diverse esigenze, tra cui YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) e YOLO11x-obb (Extra Large). Ogni modello offre dimensioni diverse, 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.
Link to this sectionCasi d'uso di YOLO11 che introducono una nuova angolazione al rilevamento#
Le capacità di rilevamento oggetti di YOLO11, in particolare il suo supporto per i riquadri di delimitazione orientati, apportano una maggiore precisione a vari settori. Successivamente, daremo un'occhiata ad alcuni esempi di come YOLO11 e il rilevamento OBB possano essere utilizzati in situazioni reali per rendere i processi più efficienti, accurati e facili da gestire in diversi ambiti.
Link to this sectionPianificazione urbana e monitoraggio delle infrastrutture con YOLO11#
Se hai mai ammirato il design e la disposizione 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 rilevare questi componenti critici in modo rapido e accurato.
Il rilevamento di oggetti con riquadri di delimitazione orientati è particolarmente utile in questo caso perché consente il rilevamento di oggetti visti da varie angolazioni (spesso il caso delle immagini aeree). La precisione è fondamentale qui per tenere traccia delle zone industriali, gestire l'impatto ambientale e garantire che le infrastrutture siano adeguatamente mantenute. L'OBB rende il processo di rilevamento più affidabile, aiutando gli urbanisti a prendere decisioni informate sulla crescita, la sicurezza e la sostenibilità della città. L'utilizzo di YOLO11 può aiutare i pianificatori a monitorare e gestire le infrastrutture che mantengono le città in funzione senza intoppi.
Fig 2. Utilizzo di YOLO11 per rilevare serbatoi di stoccaggio in riprese aeree.
Link to this sectionIspezione di pannelli solari con droni, YOLO11 e IA edge#
Poiché l'energia rinnovabile e innovazioni come i parchi solari diventano più popolari, le ispezioni regolari diventano sempre più importanti. I pannelli solari devono essere controllati per assicurarsi che funzionino in modo efficiente. Nel corso del tempo, elementi come crepe, accumulo di sporcizia o disallineamento possono ridurne le prestazioni. Le ispezioni di routine aiutano a rilevare questi problemi precocemente, in modo che la manutenzione possa essere eseguita per mantenerli funzionanti senza intoppi.
Ad esempio, i pannelli solari possono essere ispezionati per eventuali danni utilizzando droni integrati con IA edge e YOLO11. L'analisi delle immagini sull'edge porta 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 varie angolazioni. In questi casi, il rilevamento OBB di YOLO11 può aiutare i droni a identificare con precisione i pannelli solari.
Link to this sectionYOLO11 può fornire approfondimenti per la gestione della flotta#
Porti e scali gestiscono centinaia di navi ogni settimana e gestire una flotta così numerosa può essere difficile. Un elemento di difficoltà aggiunto è coinvolto quando si analizzano le navi nelle immagini aeree; le navi appaiono spesso ad angolazioni diverse. È qui che il supporto di YOLO11 per il rilevamento OBB torna utile.
Il rilevamento OBB rende possibile per il modello rilevare le navi ad angolazioni varie con maggiore precisione rispetto ai riquadri 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 fornitura. Tali soluzioni abilitate dalla visione aiutano a ottimizzare i percorsi, ridurre i ritardi e migliorare la gestione generale della flotta lungo le rotte di navigazione.
Fig 3. Utilizzo di YOLO11 per rilevare navi e porti ad un'angolazione.
Link to this sectionYOLO11 per sviluppatori IA: Rilevamento di riquadri di delimitazione orientati#
Se sei uno sviluppatore IA che cerca di utilizzare YOLO11 per il rilevamento OBB, ci sono due semplici opzioni per iniziare. Se ti senti a tuo agio a lavorare con il codice, il pacchetto Python Ultralytics è un'ottima scelta. Se preferisci una soluzione no-code facile da usare con funzionalità di addestramento cloud, Ultralytics HUB è una piattaforma interna progettata proprio per questo. Per maggiori dettagli, puoi dare un'occhiata alla nostra guida sull'addestramento e il deployment di Ultralytics YOLO11 utilizzando Ultralytics HUB.
Ora che abbiamo visto esempi di dove può essere applicato il supporto OBB di YOLO11, esploriamo il pacchetto Python Ultralytics e vediamo come puoi eseguire inferenze e addestrare modelli personalizzati utilizzandolo.
Link to this sectionEsecuzione di inferenze utilizzando YOLO11#
Per prima cosa, per utilizzare YOLO11 con Python, dovrai installare il pacchetto Ultralytics. A seconda delle tue preferenze, puoi scegliere di installarlo utilizzando pip, conda o Docker. Per istruzioni dettagliate, puoi fare riferimento alla nostra Guida all'installazione di Ultralytics. Se riscontri 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. Eseguire un'inferenza si riferisce al processo di utilizzo di un modello addestrato per effettuare previsioni su nuove immagini, come il rilevamento di oggetti con OBB in tempo reale. È diverso dall'addestramento del modello, che è quando insegni al modello a riconoscere nuovi oggetti o a migliorare le sue prestazioni su attività specifiche. L'inferenza viene utilizzata quando vuoi applicare il modello a dati non visti.
L'esempio seguente ti guida su come caricare un modello e utilizzarlo per prevedere i riquadri di delimitazione orientati su un'immagine. Per esempi più dettagliati e suggerimenti sull'uso avanzato, assicurati di controllare la documentazione ufficiale di Ultralytics per le migliori pratiche e ulteriori istruzioni.
Fig 4. Uno snippet di codice che mostra l'esecuzione di inferenze utilizzando YOLO11.
Link to this sectionAddestramento di un modello YOLO11 personalizzato#
Addestrare un modello YOLO11 significa poter ottimizzare le sue prestazioni su dataset e attività specifici, come il rilevamento di oggetti con riquadri di delimitazione orientati. Mentre modelli pre-addestrati come YOLO11 possono essere utilizzati per il rilevamento oggetti generale, l'addestramento di un modello personalizzato è essenziale quando hai bisogno che il modello rilevi oggetti unici o ottimizzi le prestazioni su un dataset specifico.
Nello snippet di codice qui sotto, trattiamo i passaggi per l'addestramento di un modello YOLO11 per il rilevamento OBB.
Per prima cosa, il modello viene inizializzato utilizzando pesi pre-addestrati specifici per YOLO11 OBB (yolo11n-obb.pt). Quindi, 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 dell'immagine di addestramento e l'hardware su cui eseguire l'addestramento (es. CPU o GPU). Dopo l'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 il deployment utilizzando la funzionalità di esportazione.
Fig 5. Un esempio di addestramento di YOLO11 per il rilevamento di oggetti OBB.
Link to this sectionLa strada da percorrere per i progressi dell'IA di YOLO11#
Ultralytics YOLO11 porta il rilevamento oggetti a un livello superiore con il suo supporto per i riquadri di delimitazione orientati. Essendo in grado di rilevare oggetti ad angolazioni diverse, YOLO11 può essere utilizzato per varie applicazioni in diversi settori. Ad esempio, è perfetto per settori come la pianificazione urbana, l'energia e la navigazione, dove la precisione è cruciale per attività come l'ispezione dei pannelli solari o il monitoraggio della flotta. Con prestazioni più veloci e una maggiore precisione, YOLO11 può aiutare gli sviluppatori IA a risolvere sfide del mondo reale.
Man mano che l'IA viene adottata più ampiamente e integrata nella nostra vita quotidiana, modelli come YOLO11 daranno forma al futuro delle soluzioni IA.
Per saperne di più sul potenziale della visione artificiale, unisciti alla nostra community in crescita ed esplora il nostro repository GitHub. Stiamo guidando l'innovazione reinventando settori che vanno dalla sanità alle auto a guida autonoma.
