Come usare Ultralytics YOLO11 per il rilevamento oggetti OBB

Il principale evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), si è concentrato sulla discussione delle ultime novità in materia di intelligenza artificiale e computer vision. Questa è stata l'occasione perfetta per presentare il nostro modello più recente, Ultralytics YOLO11. Il modello supporta gli stessi compiti di computer vision di Ultralytics YOLOv8, rendendo il passaggio al nuovo modello semplicissimo per gli utenti.

Supponi di aver usato YOLOv8 per il rilevamento di oggetti con oriented bounding boxes (OBB) per individuare 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. Nel caso in cui tu debba ancora usare modelli come YOLO11, il rilevamento OBB è un ottimo esempio di come YOLO11 può essere applicato in una serie di settori, offrendo soluzioni pratiche che lasciano il segno.

In questo articolo esamineremo cos'è il rilevamento di oggetti OBB, dove può essere applicato e come usare Ultralytics YOLO11 per rilevare OBB. Vedremo 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.

Le funzionalità di ultima generazione di Ultralytics YOLO11 includono attività come il rilevamento di oggetti OBB#

Il rilevamento di oggetti OBB fa un ulteriore passo avanti rispetto al rilevamento di oggetti tradizionale individuando gli oggetti a diverse angolazioni. A differenza dei bounding box normali 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 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 computer vision con vantaggi tangibili.

Fig 1. Confronto tra bounding box normali e oriented bounding box.

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 differenti, 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 propria applicazione.

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

Le capacità di rilevamento di oggetti di Ultralytics YOLO11, in particolare il supporto per i bounding box orientati, offrono maggiore precisione a vari settori. Di seguito, daremo un'occhiata ad 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 ambiti.

Pianificazione urbana e monitoraggio delle infrastrutture con Ultralytics YOLO11#

Se hai mai ammirato il design e la disposizione di una città, il merito è del 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. Ultralytics YOLO11 può aiutare i pianificatori urbani ad analizzare immagini aeree per rilevare questi componenti critici in modo rapido e accurato.

Il rilevamento di oggetti con bounding box orientati è particolarmente utile in questo caso perché consente il rilevamento di oggetti osservati da varie angolazioni (spesso il caso delle immagini aeree). La precisione è fondamentale 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, sulla sicurezza e sulla sostenibilità della città. L'utilizzo di Ultralytics YOLO11 può aiutare i pianificatori a monitorare e gestire l'infrastruttura che fa funzionare le città senza intoppi.

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

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

Con la crescente popolarità 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, problemi come crepe, accumulo di sporco o disallineamento possono ridurne le prestazioni. Le ispezioni di routine aiutano a individuare questi problemi in anticipo, in modo da poter eseguire la manutenzione per mantenerli operativi senza problemi.

Ad esempio, è possibile ispezionare i pannelli solari alla ricerca di danni utilizzando droni integrati con intelligenza artificiale edge e Ultralytics YOLO11. L'analisi delle immagini sull'edge apporta maggiore precisione ed efficienza al processo di ispezione. A causa del movimento e della prospettiva del drone, i filmati 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 accuratamente i pannelli solari.

Ultralytics YOLO11 può fornire approfondimenti per la gestione della flotta#

Porti e scali gestiscono centinaia di navi ogni settimana, e gestire una flotta così grande può essere impegnativo. Un ulteriore elemento di difficoltà è rappresentato dall'analisi delle navi nelle immagini aeree; le navi appaiono spesso a diverse angolazioni. È qui che torna utile il supporto di Ultralytics YOLO11 per il rilevamento OBB.

Il rilevamento OBB consente al modello di rilevare le navi a varie angolazioni con maggiore precisione rispetto ai normali box rettangolari. Utilizzando Ultralytics YOLO11 con OBB, le compagnie di navigazione possono identificare più facilmente la posizione e le condizioni della propria flotta, tenendo traccia di dettagli importanti come i movimenti della flotta e la logistica della catena di approvvigionamento. Tali soluzioni abilitate dalla visione aiutano a ottimizzare i percorsi, ridurre i ritardi e migliorare la gestione complessiva della flotta lungo le rotte marittime.

Fig 3. Utilizzo di Ultralytics YOLO11 per rilevare navi e porti a un angolo.

Ultralytics YOLO11 per sviluppatori di IA: Rilevamento di bounding box orientati#

Se sei uno sviluppatore di intelligenza artificiale che desidera utilizzare YOLO11 per il rilevamento OBB, ci sono due semplici opzioni per iniziare. Se ti trovi a tuo agio a lavorare con il codice, il pacchetto Python di Ultralytics è la scelta ideale. Se preferisci una soluzione user-friendly senza codice con capacità di addestramento nel cloud, Ultralytics HUB è una piattaforma interna progettata proprio per questo scopo. Per maggiori dettagli puoi dare un'occhiata alla nostra guida sull'addestramento e il deployment di Ultralytics YOLO11 tramite Ultralytics HUB.

Ora che abbiamo visto esempi di dove è possibile applicare il supporto OBB di YOLO11, esploriamo il pacchetto Python di Ultralytics e vediamo come puoi eseguire inferenze e addestrare modelli personalizzati utilizzandolo.

Esecuzione di inferenze utilizzando Ultralytics YOLO11#

Innanzitutto, per utilizzare YOLO11 con Python, dovrai installare il pacchetto Ultralytics. A seconda delle tue preferenze, puoi scegliere di installarlo tramite 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. L'esecuzione di 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 consiste nell'insegnare al modello a riconoscere nuovi oggetti o a migliorarne le prestazioni su attività specifiche. L'inferenza viene utilizzata quando si desidera applicare il modello a dati non visti in precedenza.

L'esempio seguente ti guida su come caricare un modello e utilizzarlo per prevedere gli oriented bounding box su un'immagine. Per esempi più dettagliati e consigli sull'utilizzo avanzato, assicurati di consultare la documentazione ufficiale di Ultralytics per le best practices e ulteriori istruzioni.

Fig 4. Uno 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 ottimizzare le sue prestazioni su dataset e compiti specifici, come il rilevamento di oggetti con bounding box orientati. Sebbene modelli pre-addestrati come YOLO11 possano essere usati per il rilevamento di 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 seguente, trattiamo i passaggi per addestrare un modello Ultralytics YOLO11 per il rilevamento OBB.

Innanzitutto, il modello viene inizializzato utilizzando pesi specifici per OBB pre-addestrati di YOLO11 (yolo11n-obb.pt). Viene quindi utilizzata una funzione di addestramento per addestrare il modello su un dataset personalizzato, impostando 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 es. CPU o GPU). Dopo l'addestramento, le prestazioni del modello vengono validate per controllare metriche come precisione e perdita (loss).

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 tramite la funzione di export.

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

Il percorso da seguire per i progressi dell'IA di Ultralytics 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 Ultralytics YOLO11 plasmeranno il futuro delle soluzioni di IA.

Per scoprire il potenziale della vision AI, unisciti alla nostra crescente community ed esplora il nostro repository GitHub. Stiamo guidando l'innovazione reinventando settori come la sanità e le auto a guida autonoma.