Cos'è il rilevamento con Oriented Bounding Box (OBB)?

Riconoscere gli oggetti, indipendentemente da come sono disposti o orientati, è del tutto naturale per noi esseri umani. Che si tratti di auto a un incrocio o barche in un porto, sappiamo identificarle facilmente e capire in quale direzione sono rivolte. Tuttavia, per i sistemi di intelligenza artificiale (AI) non è così semplice.

Per esempio, la computer vision, una branca dell'AI focalizzata sulla comprensione di immagini e video, consente attività come il rilevamento di oggetti, che aiuta le macchine a identificare e localizzare gli elementi all'interno di una scena. Il rilevamento di oggetti tradizionale si basa su riquadri di delimitazione allineati agli assi per tracciare i confini attorno agli elementi. Questi riquadri presentano lati dritti e angoli retti fissi. Questo approccio funziona bene quando gli oggetti sono in posizione eretta e non troppo vicini tra loro.

Ma quando gli oggetti sono inclinati, ruotati o vicini tra loro, il rilevamento di oggetti tradizionale spesso fatica a individuarli con precisione. Per gestire queste situazioni più complesse, sono state introdotte tecniche come il rilevamento con oriented bounding box (OBB). A differenza dei bounding box standard, gli OBB possono ruotare per adattarsi all'angolo e alla forma dell'oggetto, consentendo una delimitazione più precisa e aderente.

I modelli di computer vision come Ultralytics YOLO11, che supportano il rilevamento OBB, abilitano una serie di applicazioni in tempo reale, soprattutto negli scenari in cui l'orientamento degli oggetti è importante, come la sorveglianza aerea. Oltre a ciò, il rilevamento OBB viene impiegato anche in ambito sanitario, in agricoltura e nell'analisi dei documenti.

In questo articolo, esploreremo cos'è il rilevamento OBB, come funziona e dove viene applicato in scenari del mondo reale. Cominciamo!

Fig 1. Un esempio di demo sull'uso di YOLO11 per il rilevamento OBB di barche.

Cos'è un oriented bounding box?#

Un bounding box orientato è un tipo di riquadro rettangolare utilizzato nella computer vision per rappresentare gli oggetti rilevati in un'immagine. Mentre i bounding box standard sono allineati agli assi orizzontale e verticale dell'immagine, gli OBB possono ruotare per adattarsi all'angolo effettivo dell'oggetto.

Questa capacità di ruotare porta diversi vantaggi. Gli OBB possono allinearsi più strettamente all'orientamento di un oggetto, consentendo al riquadro di adattarsi perfettamente alla forma e alla direzione dell'oggetto. Di conseguenza, il rilevamento diventa più accurato e preciso.

Gli OBB sono particolarmente utili quando gli oggetti non sono perfettamente in verticale, come un'auto che gira su una strada curva in riprese aeree, un libro inclinato su una scrivania o un tumore ruotato in una scansione medica. Facendo corrispondere più accuratamente l'angolo di un oggetto, gli OBB migliorano le prestazioni di rilevamento, riducono l'interferenza dello sfondo e sono particolarmente indicati per applicazioni in cui l'orientamento di un oggetto conta tanto quanto la sua posizione.

Fig 2. Confronto tra object detection e rilevamento OBB.

Rilevamento OBB vs. rilevamento di oggetti#

Il rilevamento OBB e il rilevamento di oggetti tradizionale potrebbero sembrare simili a prima vista, ma vengono utilizzati in modi diversi e per situazioni diverse. Diamo un'occhiata più da vicino a come si confrontano con un esempio.

I modelli di computer vision, come YOLO11, possono essere addestrati per rilevare e classificare oggetti in varie applicazioni del mondo reale, come l'ispezione industriale. Pensa a una catena di montaggio in fabbrica dove diverse parti meccaniche si muovono lungo un nastro trasportatore. Alcuni componenti potrebbero essere posizionati in modo ordinato, mentre altri potrebbero risultare leggermente ruotati, inclinati o sovrapposti a causa delle vibrazioni o della velocità.

Il rilevamento di oggetti tradizionale utilizza riquadri rettangolari verticali che si allineano con i bordi orizzontali e verticali dell'immagine. Quindi, quando una parte è ruotata, il riquadro potrebbe non adattarsi correttamente: potrebbe escludere parte dell'oggetto o includere troppo sfondo. Ciò può rendere i rilevamenti meno accurati e più difficili da identificare con sicurezza per il sistema.

Ora, diciamo che stai usando il rilevamento OBB. In questo caso, il modello può disegnare un riquadro che ruota per corrispondere all'angolo esatto di ogni parte. Un ingranaggio inclinato o un componente angolato sarà strettamente racchiuso da un riquadro che si adatta alla sua forma e direzione. Ciò significa maggiore precisione, meno errori e risultati più affidabili, specialmente rispetto a casi d'uso come il controllo qualità automatizzato o lo smistamento robotizzato.

Modelli di rilevamento OBB popolari#

Ora che abbiamo una migliore comprensione di cosa sia il rilevamento OBB, diamo un'occhiata ad alcuni dei modelli di AI per la visione più utilizzati che lo supportano.

Diversi modelli avanzati di computer vision sono stati sviluppati specificamente per rilevare oggetti ruotati o inclinati. Tra questi, i modelli Ultralytics YOLO sono particolarmente noti per le loro capacità di rilevamento OBB affidabili ed efficienti.

Le versioni precedenti come Ultralytics YOLOv5 sono state progettate per il rilevamento di oggetti standard. Iterazioni successive, come Ultralytics YOLOv8 e la più recente YOLO11, hanno introdotto il supporto nativo per il rilevamento OBB. YOLO11, in particolare, offre una precisione allo stato dell'arte senza compromettere la velocità, risultando una scelta di grande impatto per le applicazioni in tempo reale.

I modelli YOLO11 OBB preaddestrati, come YOLO11n-obb, vengono addestrati su dataset come DOTAv1, costituito da immagini aeree annotate con una serie di classi di oggetti come aerei, navi e campi da tennis che compaiono a diverse angolazioni e orientamenti.

Inoltre, questi modelli sono disponibili in cinque dimensioni diverse, da nano (n-obb) a extra-large (x-obb), per soddisfare diverse esigenze di prestazioni. Questa versatilità consente loro di essere applicati in vari settori, dal monitoraggio delle infrastrutture urbane e l'ispezione di macchinari alla lettura di testo inclinato in documenti scansionati.

Addestramento personalizzato di Ultralytics YOLO11 per il rilevamento di bounding box orientati#

In molte situazioni reali, gli oggetti che devi rilevare potrebbero essere completamente diversi da quelli presenti nei dataset di addestramento standard. Ad esempio, oggetti come utensili su una linea di produzione, confezioni di prodotti o componenti su un circuito stampato potrebbero essere ruotati, posizionati in modo irregolare o avere forme differenti.

Per rilevare con precisione questi oggetti personalizzati, soprattutto quando l'orientamento è importante, è importante addestrare modelli come Ultralytics YOLO11 utilizzando le tue immagini e le tue etichette. Questo processo è noto come addestramento personalizzato.

Ecco uno sguardo più ravvicinato al processo passo dopo passo per addestrare Ultralytics YOLO11 al rilevamento OBB:

• Raccolta di immagini: Raccogli immagini che mostrano i tuoi oggetti target da diverse angolazioni, posizioni e ambienti del mondo reale.
• Annotazione degli oggetti: Etichetta ogni oggetto utilizzando bounding box ruotati (OBB) per catturare sia la loro posizione che l'orientamento usando strumenti di annotazione con supporto OBB.
• Preparazione del dataset: Organizza le tue immagini ed etichette nella struttura di directory di YOLO e crea un file di configurazione YAML con i nomi delle tue classi e i percorsi del dataset.
• Addestramento del modello: Scegli una versione del modello Ultralytics YOLO11 che soddisfi le tue esigenze e avvia il processo di addestramento affinché il modello possa imparare dalle tue immagini etichettate.
• Valutazione e distribuzione: Testa il tuo modello addestrato su nuove immagini, valuta la sua accuratezza e distribuiscilo in applicazioni pratiche come la produzione, la sorveglianza aerea o l'analisi di documenti.

Applicazioni abilitate dal rilevamento OBB#

Gli oggetti che sono fuori centro o inclinati sono abbastanza comuni negli scenari di vita reale. Esaminiamo alcuni esempi in cui il rilevamento OBB fa davvero la differenza rilevando accuratamente questi oggetti.

Analisi di immagini a raggi X tramite rilevamento OBB#

Il rilevamento OBB può spingere l'analisi delle immagini mediche a un livello superiore migliorando la precisione. Le immagini mediche includono spesso strutture anatomiche come tumori, organi o ossa. Queste strutture appaiono spesso con forme irregolari e orientamenti vari. Poiché gli OBB possono ruotare per adattarsi all'angolo dell'oggetto, offrono una localizzazione e una misurazione più accurate, fattori critici per la diagnosi e la pianificazione del trattamento.

Questo approccio è particolarmente efficace quando si tratta di analizzare radiografie di fratture ossee, dove la posizione e l'allineamento delle ossa sono elementi chiave. Ad esempio, il rilevamento OBB è stato utilizzato per analizzare radiografie del gomito pediatrico. Adattandosi all'orientamento delle ossa, ha contribuito a migliorare la precisione del rilevamento.

Fig 3. Radiografie (a, d) con object detection (b, e) e rilevamento con bounding box orientato (c, f).

Sorveglianza aerea potenziata dal rilevamento OBB#

La sorveglianza aerea è uno strumento essenziale in settori come la sicurezza pubblica, il monitoraggio ambientale e la pianificazione urbana. Le immagini catturate da droni o satelliti possono aiutare a identificare oggetti come navi, veicoli ed edifici. Tuttavia, in queste immagini, gli oggetti appaiono spesso piccoli e con angolazioni insolite, rendendoli più difficili da rilevare accuratamente.

Il rilevamento OBB risolve questo problema inclinando i bounding box per adattarsi all'angolo di ogni oggetto. Ciò porta a misurazioni più accurate delle dimensioni e dell'orientamento di un oggetto, supportando un migliore processo decisionale in aree come la pianificazione urbana, la difesa, la risposta alle catastrofi e il monitoraggio ambientale.

Un esempio interessante di rilevamento OBB è il tracciamento delle navi nella sorveglianza marittima. Le immagini satellitari catturano spesso le imbarcazioni a varie angolazioni e dimensioni a causa delle condizioni meteorologiche, dell'illuminazione o del movimento. Gli OBB possono adattarsi a questi cambiamenti, migliorando il rilevamento, in particolare per i natanti più piccoli o parzialmente nascosti.

Fig 4. Uno sguardo all'uso del rilevamento OBB per la sorveglianza marittima.

Utilizzo del rilevamento OBB in agricoltura#

Lo smistamento dei raccolti dopo la raccolta è un passaggio cruciale per garantire la qualità prima che vengano confezionati e inviati al mercato. Mentre molti sistemi funzionano bene per frutti rotondi come mele e arance, i raccolti lunghi e stretti, come le carote o i germogli di Zizania, possono essere molto più difficili da gestire. Le loro forme variano e spesso finiscono con angolazioni diverse, rendendoli difficili da rilevare e smistare accuratamente.

Per affrontare questo problema, i ricercatori hanno sviluppato un sistema che utilizza il rilevamento con oriented bounding box (OBB) per identificare e classificare queste colture in modo più accurato. Il sistema è in grado di rilevare più colture in una singola immagine, anche se sono inclinate o sovrapposte, e di valutarne la qualità e la posizione in tempo reale.

Pro e contro del rilevamento OBB#

Ecco alcuni dei vantaggi dell'utilizzo del rilevamento OBB:

• Input migliorato per le attività downstream: Le attività di computer vision come la segmentazione d'istanza e il tracciamento degli oggetti possono offrire prestazioni migliori quando ricevono rilevamenti di oggetti più accurati.
• Ragionamento spaziale migliorato: Catturando l'angolo di orientamento, gli OBB rendono possibile comprendere l'allineamento e la direzione di un oggetto.
• Riduzione della sovrapposizione in scene affollate: Gli OBB riducono l'ambiguità adattandosi più strettamente agli oggetti, anche in scene occupate o disordinate.

Nonostante aiuti a migliorare l'accuratezza del rilevamento in scene complesse, il rilevamento OBB presenta alcune limitazioni da considerare:

• Maggiore sensibilità al rumore: Piccoli errori nella previsione dell'angolo possono avere un impatto maggiore sull'accuratezza del rilevamento, specialmente per oggetti densamente imballati o allungati.
• Strumenti specializzati richiesti: Poiché non tutte le piattaforme di etichettatura e addestramento supportano nativamente gli OBB, lavorare con essi potrebbe richiedere strumenti o configurazioni aggiuntivi.
• Disponibilità limitata dei dataset: Rispetto al tradizionale object detection, attualmente vi sono meno dataset disponibili pubblicamente con annotazioni OBB, il che può rendere leggermente più complesso iniziare o confrontare i risultati.

Punti chiave#

Il rilevamento con oriented bounding box rende più facile per le soluzioni di computer vision riconoscere oggetti che non sono perfettamente dritti o allineati. Catturando sia la posizione che l'orientamento degli oggetti, il rilevamento OBB aumenta l'accuratezza in casi d'uso del mondo reale come la scansione di immagini mediche, il monitoraggio di terreni agricoli o l'analisi di foto satellitari.

Con modelli come Ultralytics YOLO11 che rendono il rilevamento OBB più accessibile, sta diventando una scelta pratica per molti settori. Che tu abbia a che fare con oggetti inclinati, sovrapposti o dalle forme insolite, il rilevamento OBB aggiunge un ulteriore livello di precisione che i metodi standard spesso non colgono.

Curioso riguardo all'IA? Esplora il nostro GitHub repository, connettiti con our community e dai un'occhiata a our licensing options per dare il via al tuo progetto di computer vision. Scopri di più su innovazioni come AI in retail e computer vision in the logistics industry nelle nostre pagine delle soluzioni.