Che cos’è il rilevamento di bounding box orientate (OBB)?

Per noi esseri umani è naturale riconoscere gli oggetti, indipendentemente da come sono disposti o dalla direzione verso cui sono rivolti. Che si tratti di automobili a un incrocio o di imbarcazioni in un porto, riusciamo facilmente a capire cosa sono e in quale direzione puntano. Tuttavia, per i sistemi di intelligenza artificiale (AI), non è così semplice.

Ad esempio, la visione artificiale, un ramo dell'AI che si concentra sulla comprensione di immagini e video, consente attività come il rilevamento degli oggetti, aiutando le macchine a identificare e localizzare gli oggetti all'interno di una scena. Il rilevamento tradizionale degli oggetti si basa su bounding box allineate agli assi per tracciare riquadri intorno agli oggetti. Questi riquadri hanno lati dritti e angoli retti fissi. Questo approccio funziona bene quando gli oggetti sono in posizione verticale e non troppo vicini tra loro.

Tuttavia, quando gli oggetti sono inclinati, ruotati o vicini tra loro, il rilevamento tradizionale degli oggetti spesso fatica a catturarli con precisione. Per gestire queste situazioni più complesse, sono state introdotte tecniche come il rilevamento di bounding box orientate (OBB). A differenza delle bounding box standard, le OBB possono ruotare per adattarsi all'angolo e alla forma dell'oggetto, consentendo un adattamento più preciso e accurato.

I modelli di visione artificiale come Ultralytics YOLO11, che supportano il rilevamento OBB, consentono numerose applicazioni in tempo reale, soprattutto negli scenari in cui l'orientamento degli oggetti è importante, come la sorveglianza aerea. Inoltre, il rilevamento OBB viene utilizzato anche nell'assistenza sanitaria, nell'agricoltura e nell'analisi dei documenti.

In questo articolo scopriremo cos'è il rilevamento OBB, come funziona e in quali scenari reali viene applicato. Iniziamo!

Fig. 1. Un esempio dimostrativo dell'utilizzo di YOLO11 per il rilevamento OBB di imbarcazioni.

Che cos'è una bounding box orientata?#

Una bounding box orientata è un tipo di riquadro rettangolare utilizzato nella visione artificiale per rappresentare gli oggetti rilevati in un'immagine. Mentre le bounding box standard sono allineate agli assi orizzontale e verticale dell'immagine, le OBB possono ruotare per adattarsi all'angolo effettivo dell'oggetto.

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

Le OBB sono particolarmente utili quando gli oggetti non sono perfettamente verticali, ad esempio un'automobile che affronta una curva in una ripresa aerea, un libro inclinato su una scrivania o un tumore ruotato in una scansione medica. Adattandosi con maggiore precisione all'angolo dell'oggetto, le OBB migliorano le prestazioni di rilevamento, riducono le interferenze dello sfondo e sono particolarmente efficaci nelle applicazioni in cui l'orientamento di un oggetto è importante quanto la sua posizione.

Fig. 2. Confronto tra il rilevamento degli oggetti e il rilevamento OBB.

Rilevamento OBB e rilevamento degli oggetti#

A prima vista, il rilevamento OBB e il rilevamento tradizionale degli oggetti possono sembrare simili, ma vengono utilizzati in modi e situazioni diverse. Vediamo più da vicino come si confrontano attraverso un esempio.

I modelli di visione artificiale, come YOLO11, possono essere addestrati per rilevare e classificare oggetti in diverse applicazioni del mondo reale, come l'ispezione industriale. Immagina una linea di assemblaggio in fabbrica in cui diversi componenti meccanici si muovono lungo un nastro trasportatore. Alcuni componenti possono essere disposti ordinatamente, mentre altri possono essere leggermente ruotati, inclinati o sovrapposti a causa delle vibrazioni o della velocità.

Il rilevamento tradizionale degli oggetti utilizza riquadri rettangolari verticali allineati ai bordi orizzontali e verticali dell'immagine. Pertanto, quando un componente è ruotato, il riquadro potrebbe non adattarsi correttamente: potrebbe escludere una parte dell'oggetto o includere una quantità eccessiva di sfondo. Questo può rendere i rilevamenti meno accurati e rendere più difficile per il sistema identificare con sicurezza il componente.

Ora supponiamo invece che tu stia utilizzando il rilevamento OBB. In questo caso, il modello può tracciare un riquadro che ruota per adattarsi all'angolo esatto di ogni componente. Un ingranaggio inclinato o un componente angolato viene racchiuso con precisione da un riquadro che ne segue la forma e la direzione. Questo significa maggiore precisione, meno errori e risultati più affidabili, soprattutto in casi d'uso come il controllo qualità automatizzato o lo smistamento robotizzato.

Modelli di rilevamento OBB più diffusi#

Ora che abbiamo compreso meglio cos'è il rilevamento OBB, vediamo alcuni dei modelli di intelligenza artificiale per la visione più utilizzati che lo supportano.

Diversi modelli avanzati di visione artificiale sono stati sviluppati appositamente 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, erano progettate per il rilevamento standard degli oggetti. Le iterazioni successive, come Ultralytics YOLOv8 e il più recente YOLO11, hanno introdotto il supporto nativo per il rilevamento OBB. YOLO11, in particolare, offre una precisione all'avanguardia senza compromettere la velocità, diventando un'opzione efficace per le applicazioni in tempo reale.

I modelli YOLO11 OBB preaddestrati, come YOLO11n-obb, sono addestrati su dataset come DOTAv1, che consiste in immagini aeree annotate con diverse classi di oggetti, come aerei, navi e campi da tennis, presenti a vari angoli e orientamenti.

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

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

In molte situazioni reali, gli oggetti che devi rilevare possono essere completamente diversi da quelli presenti nei dataset di addestramento standard. Ad esempio, strumenti su una linea di produzione, confezioni di prodotti o componenti su una scheda elettronica possono essere ruotati, disposti in modo irregolare o avere forme diverse.

Per rilevare con precisione questi oggetti personalizzati, soprattutto quando l'orientamento è importante, è fondamentale addestrare modelli come Ultralytics YOLO11 utilizzando immagini ed etichette create da te. Questo processo è noto come addestramento personalizzato.

Ecco una panoramica più dettagliata del processo passo passo per addestrare Ultralytics YOLO11 al rilevamento OBB:

• Raccolta delle immagini: raccogli immagini che mostrino gli oggetti target da diverse angolazioni, posizioni e ambienti reali.
• Annotazione degli oggetti: assegna un'etichetta a ogni oggetto utilizzando bounding box ruotate (OBB) per acquisirne sia la posizione sia l'orientamento, con strumenti di annotazione che supportano le OBB.
• Preparazione del dataset: organizza immagini ed etichette nella struttura delle directory di YOLO e crea un file di configurazione YAML con i nomi delle classi e i percorsi del dataset.
• Addestramento del modello: scegli una versione del modello Ultralytics YOLO11 adatta alle tue esigenze ed esegui il processo di addestramento, affinché il modello possa apprendere dalle immagini etichettate.
• Valutazione e distribuzione: testa il modello addestrato su nuove immagini, valuta la sua accuratezza e distribuiscilo in applicazioni pratiche come la produzione, la sorveglianza aerea o l'analisi dei documenti.

Applicazioni rese possibili dal rilevamento OBB#

Gli oggetti decentrati o inclinati sono piuttosto comuni negli scenari reali. Vediamo alcuni esempi in cui il rilevamento OBB fa davvero la differenza, rilevando con precisione questi oggetti.

Analisi delle immagini a raggi X mediante il rilevamento OBB#

Il rilevamento OBB può portare l'analisi delle immagini mediche a un livello superiore, migliorandone la precisione. Le immagini mediche includono spesso strutture anatomiche come tumori, organi o ossa. Queste strutture presentano spesso forme irregolari e orientamenti diversi. Poiché le OBB possono ruotare per adattarsi all'angolo di un oggetto, forniscono una localizzazione e una misurazione più accurate, aspetti fondamentali per la diagnosi e la pianificazione del trattamento.

Questo approccio è particolarmente efficace nell'analisi delle immagini a raggi X delle fratture ossee, dove la posizione e l'allineamento delle ossa sono fattori fondamentali. Ad esempio, il rilevamento OBB è stato utilizzato per analizzare le radiografie del gomito pediatrico. Adattandosi all'orientamento delle ossa, ha contribuito a migliorare la precisione del rilevamento.

Fig. 3. Radiografie (a, d) con rilevamento degli oggetti (b, e) e rilevamento di bounding box orientate (c, f).

Sorveglianza aerea basata sul rilevamento OBB#

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

Il rilevamento OBB risolve questo problema inclinando le bounding box per adattarsi all'angolo di ciascun oggetto. Ciò consente misurazioni più accurate delle dimensioni e dell'orientamento degli oggetti, favorendo decisioni migliori in ambiti come la pianificazione urbana, la difesa, la risposta alle emergenze e il monitoraggio ambientale.

Un esempio interessante di rilevamento OBB è il tracciamento delle navi nella sorveglianza marittima. Le immagini satellitari spesso catturano le navi da angolazioni e a dimensioni diverse a causa delle condizioni meteorologiche, dell'illuminazione o del movimento. Le OBB possono adattarsi a questi cambiamenti, migliorando il rilevamento, soprattutto per le imbarcazioni più piccole o parzialmente oscurate.

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

Utilizzo del rilevamento OBB in agricoltura#

La selezione dei raccolti dopo la mietitura è un passaggio fondamentale per garantire la qualità prima che vengano confezionati e inviati al mercato. Sebbene molti sistemi funzionino bene con frutti rotondi come mele e arance, le colture lunghe e strette, come carote o germogli di Zizania, possono essere molto più difficili da gestire. Le loro forme variano e spesso si trovano ad angolazioni diverse, rendendo difficile rilevarle e selezionarle con precisione.

Per affrontare questo problema, i ricercatori hanno sviluppato un sistema che utilizza il rilevamento di bounding box orientate (OBB) per identificare e classificare questi raccolti con maggiore precisione. Il sistema può rilevare più colture in un'unica immagine, anche se sono inclinate o sovrapposte, e valutarne la qualità e la posizione in tempo reale.

Vantaggi e svantaggi del rilevamento OBB#

Ecco alcuni vantaggi dell'utilizzo del rilevamento OBB:

• Migliore input per le attività successive: le attività di visione artificiale, come la segmentazione delle istanze e il tracciamento degli oggetti, possono funzionare meglio quando ricevono rilevamenti degli oggetti più accurati.
• Ragionamento spaziale avanzato: acquisendo l'angolo di orientamento, le OBB permettono di comprendere l'allineamento e la direzione di un oggetto.
• Minore sovrapposizione nelle scene affollate: le OBB riducono l'ambiguità adattandosi più strettamente agli oggetti, anche in scene affollate o disordinate.

Nonostante contribuisca a migliorare la precisione del rilevamento nelle 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 sulla precisione del rilevamento, soprattutto per oggetti molto ravvicinati o allungati.
• Necessità di strumenti specializzati: poiché non tutte le piattaforme di etichettatura e addestramento supportano nativamente le OBB, lavorare con esse può richiedere strumenti o configurazioni aggiuntivi.
• Disponibilità limitata di dataset: rispetto al rilevamento standard degli oggetti, attualmente sono disponibili meno dataset pubblici con annotazioni OBB, il che può rendere leggermente più difficile iniziare o confrontare i risultati.

Punti chiave#

Il rilevamento di bounding box orientate facilita il riconoscimento, da parte delle soluzioni di visione artificiale, degli oggetti che non sono perfettamente dritti o allineati. Acquisendo sia la posizione sia l'orientamento degli oggetti, il rilevamento OBB aumenta la precisione in casi d'uso reali come la scansione di immagini mediche, il monitoraggio dei terreni agricoli o l'analisi di fotografie satellitari.

Grazie a modelli come Ultralytics YOLO11, che rendono il rilevamento OBB più accessibile, questa tecnologia sta diventando una scelta pratica per molti settori. Che tu debba gestire oggetti inclinati, sovrapposti o dalla forma insolita, il rilevamento OBB aggiunge un livello di precisione che spesso sfugge ai metodi standard.

Ti interessa l'AI? Esplora il nostro repository GitHub, entra in contatto con la nostra community e dai un'occhiata alle nostre opzioni di licenza per dare il via al tuo progetto di computer vision. Scopri di più su innovazioni come l'AI nel retail e la computer vision nel settore della logistica nelle nostre pagine dedicate alle soluzioni.