8 ottobre 2024
Scopri come Ultralytics YOLO11 può migliorare il rilevamento degli oggetti utilizzando oriented bounding boxes (OBB) e per quali applicazioni è ideale 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'AI e della computer vision. Questa è stata l'occasione perfetta per presentare il nostro modello più recente, 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 che tu stia utilizzando YOLOv8 per il rilevamento di oggetti con oriented bounding boxes (OBB) per rilevare oggetti da varie angolazioni. Ora puoi passare a YOLO11 con alcune piccole modifiche al tuo codice e beneficiare dei miglioramenti di YOLO11, che vanno dall'aumento della precisione e dell'efficienza alla velocità di elaborazione. Nel caso in cui tu non abbia ancora utilizzato modelli come YOLO11, il rilevamento OBB è un ottimo esempio di come YOLO11 può 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. Spiegheremo anche 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.
Il rilevamento di oggetti OBB porta il rilevamento di oggetti tradizionale un ulteriore passo avanti rilevando oggetti a diverse angolazioni. A differenza delle normali bounding box che rimangono allineate con gli assi dell'immagine, le 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 diritti. In settori come la pianificazione urbana, l'energia e i trasporti, la capacità di rilevare accuratamente oggetti angolati come edifici, veicoli o infrastrutture può costituire la base di applicazioni di computer vision con vantaggi tangibili.
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 una dimensione diversa, con diversi 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 suo supporto per le oriented bounding boxes, apportano maggiore precisione a vari settori. Successivamente, esamineremo alcuni esempi di come YOLO11 e il rilevamento OBB possono essere utilizzati in situazioni reali per rendere i processi più efficienti, accurati e facili da gestire in diversi campi.
Se hai mai ammirato il design e la disposizione di una città, è grazie al lavoro dettagliato di pianificazione urbana e 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 i pianificatori urbani ad analizzare le immagini aeree per rilevare questi componenti critici in modo rapido e accurato.
Il rilevamento di oggetti con oriented bounding box è particolarmente utile qui perché consente il rilevamento di oggetti visti da varie angolazioni (spesso il caso con immagini aeree). La precisione è fondamentale qui per tenere traccia delle zone industriali, gestire gli impatti ambientali e garantire che le infrastrutture siano adeguatamente mantenute. 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'utilizzo di YOLO11 può aiutare i pianificatori a monitorare e gestire l'infrastruttura che mantiene le città in funzione senza intoppi.
Con la crescente popolarità 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, problemi come crepe, accumulo di sporco o disallineamento possono ridurne le prestazioni. Le ispezioni di routine aiutano a individuare precocemente questi problemi, in modo da poter eseguire la manutenzione necessaria per mantenerli in funzione senza problemi.
Ad esempio, i pannelli solari possono essere ispezionati per individuare eventuali danni utilizzando droni integrati con edge AI e 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, il materiale di sorveglianza può spesso catturare i pannelli solari da diverse angolazioni. In questi casi, la rilevazione OBB di YOLO11 può aiutare i droni a identificare accuratamente i pannelli solari.
Porti e approdi gestiscono 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 in immagini aeree; le navi appaiono spesso a diverse angolazioni. È qui che entra in gioco il supporto di YOLO11 per la rilevazione OBB.
La rilevazione OBB consente al modello di rilevare le navi a varie angolazioni in modo più accurato rispetto alle tradizionali caselle rettangolari. 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. Tali soluzioni basate sulla visione aiutano a ottimizzare i percorsi, ridurre i ritardi e migliorare la gestione complessiva della flotta lungo le rotte di navigazione.
Se sei uno sviluppatore AI che desidera utilizzare YOLO11 per la rilevazione OBB, ci sono due semplici opzioni per iniziare. Se ti senti a tuo agio a lavorare con il codice, l'Ultralytics Python package 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 appositamente per questo. Per maggiori dettagli, puoi consultare la nostra guida sull'addestramento e l'implementazione di Ultralytics YOLO11 utilizzando Ultralytics HUB.
Ora che abbiamo visto esempi di dove può essere applicato il supporto OBB di YOLO11, esploriamo l'Ultralytics Python package e vediamo come è possibile eseguire inferenze e addestrare modelli personalizzati utilizzandolo.
Innanzitutto, per utilizzare YOLO11 con Python, è necessario installare il pacchetto Ultralytics. A seconda delle preferenze, è possibile scegliere di installarlo utilizzando pip, conda o Docker. Per istruzioni dettagliate, consultare la nostra Guida all'installazione di Ultralytics. In caso di difficoltà 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 fare previsioni su nuove immagini, come il rilevamento di oggetti con OBB in tempo reale. È diverso dall'addestramento del modello, che avviene quando si insegna al modello a riconoscere nuovi oggetti o a migliorare le sue prestazioni su compiti specifici. L'inferenza viene utilizzata quando si desidera applicare il modello a dati non ancora visti.
L'esempio seguente illustra come caricare un modello e utilizzarlo per prevedere oriented bounding box su un'immagine. Per esempi più dettagliati e suggerimenti sull'utilizzo avanzato, consultare la documentazione ufficiale di Ultralytics per le migliori pratiche e ulteriori istruzioni.
Addestrare un modello YOLO11 significa che è possibile ottimizzarne le prestazioni su dataset e compiti specifici, come il rilevamento di oggetti con oriented bounding box. Mentre i modelli pre-addestrati come YOLO11 possono essere utilizzati per il rilevamento di oggetti generale, l'addestramento di un modello personalizzato è essenziale quando è necessario che il modello rilevi oggetti unici o ottimizzare le prestazioni su un dataset specifico.
Nello snippet di codice seguente, trattiamo i passaggi per l'addestramento di un modello YOLO11 per il rilevamento OBB.
Innanzitutto, il modello viene inizializzato utilizzando i pesi pre-addestrati specifici per YOLO11 OBB (yolo11n-obb.pt). Quindi, viene utilizzata una funzione di addestramento 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 (ad esempio, CPU o GPU). Dopo l'addestramento, le prestazioni del modello vengono convalidate per verificare metriche come accuratezza e perdita.
Utilizzando il modello addestrato, è possibile 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 funzione di esportazione.
Ultralytics YOLO11 porta il rilevamento di oggetti a un livello superiore con il suo supporto per gli oriented bounding box. 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 la pianificazione urbana, l'energia e le spedizioni, dove la precisione è fondamentale per attività come le ispezioni dei pannelli solari o il monitoraggio della flotta. Con prestazioni più veloci e una maggiore accuratezza, YOLO11 può aiutare gli sviluppatori di IA a risolvere le sfide del mondo reale.
Man mano che l'IA diventa più ampiamente adottata e integrata nella nostra vita quotidiana, modelli come YOLO11 plasmeranno il futuro delle soluzioni di IA.
Per scoprire il potenziale della Vision AI, unisciti alla nostra community in crescita ed esplora il nostro repository GitHub. Stiamo guidando l'innovazione reinventando settori come la sanità e le auto a guida autonoma.
.webp)