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

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

Per esempio, la computer vision, un ramo dell’AI che si occupa di comprendere immagini e video, consente attività come il rilevamento degli oggetti, che aiuta le macchine a identificare e localizzare gli oggetti all’interno di una scena. Il rilevamento tradizionale degli oggetti si basa su box di delimitazione allineati 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 dritti e non troppo vicini tra loro.

Quando però gli oggetti sono inclinati, ruotati o ravvicinati, il rilevamento tradizionale spesso fatica a individuarli con precisione. Per gestire queste situazioni più complesse sono state introdotte tecniche come il rilevamento dei box di delimitazione orientati (OBB). A differenza dei box di delimitazione standard, gli OBB possono ruotare per adattarsi all’angolo e alla forma dell’oggetto, garantendo così un riquadro più aderente e preciso.

I modelli di computer vision come Ultralytics YOLO11, che supportano il rilevamento OBB, consentono numerose applicazioni in tempo reale, soprattutto negli scenari in cui l’orientamento dell’oggetto è importante, come la sorveglianza aerea. Il rilevamento OBB viene inoltre utilizzato in ambito sanitario, agricolo e nell’analisi dei documenti.

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

Fig. 1. Un esempio di dimostrazione dell’uso di YOLO11 per il rilevamento OBB di barche.

Che cos’è un box di delimitazione orientato?#

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

La possibilità di ruotare offre diversi vantaggi. Gli OBB possono allinearsi meglio all’orientamento di un oggetto, adattando il riquadro alla sua forma e direzione. Di conseguenza, il rilevamento risulta più accurato e preciso.

Gli OBB sono particolarmente utili quando gli oggetti non sono perfettamente dritti, per esempio un’auto che svolta su una strada curva ripresa dall’alto, un libro inclinato su una scrivania o un tumore ruotato in una scansione medica. Adattandosi meglio all’angolo di un oggetto, gli OBB migliorano le prestazioni di rilevamento, riducono le interferenze dello sfondo e sono particolarmente adatti alle 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 confronto#

A prima vista, il rilevamento OBB e il rilevamento tradizionale degli oggetti possono sembrare simili, ma vengono utilizzati in modi e situazioni diversi. Vediamo più da vicino le differenze con un esempio.

I modelli di computer vision, come YOLO11, possono essere addestrati a rilevare e classificare oggetti in diverse applicazioni del mondo reale, come l’ispezione industriale. Immagina una linea di assemblaggio in fabbrica, dove diversi componenti di macchinari scorrono su un nastro trasportatore. Alcuni componenti possono essere posizionati con precisione, mentre altri possono essere leggermente ruotati, inclinati o sovrapposti a causa delle vibrazioni o della velocità.

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

Supponiamo ora di utilizzare il rilevamento OBB. In questo caso, il modello può disegnare un riquadro che ruota per adattarsi all’angolo esatto di ciascun componente. Un ingranaggio inclinato o un componente angolato verrà racchiuso perfettamente in un riquadro che ne segue la forma e la direzione. Questo si traduce in 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 capito meglio cos’è il rilevamento OBB, diamo un’occhiata ad alcuni dei modelli di Vision AI più utilizzati che lo supportano.

Sono stati sviluppati diversi modelli avanzati di computer vision 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 versioni successive, come Ultralytics YOLOv8 e il più recente YOLO11 (a sua volta superato da Ultralytics YOLO26), hanno introdotto il supporto nativo per il rilevamento OBB. In particolare, YOLO11 offre una precisione all'avanguardia senza compromettere la velocità, rendendolo una scelta efficace per le applicazioni in tempo reale.

I modelli YOLO11 OBB preaddestrati, come YOLO11n-obb, vengono addestrati su set di dati come DOTAv1, composto da immagini aeree annotate con diverse classi di oggetti, tra cui aerei, navi e campi da tennis, che possono apparire con angolazioni e orientamenti diversi.

Inoltre, questi modelli sono disponibili in cinque dimensioni, da nano (n-obb) a extra-large (x-obb), per soddisfare diverse esigenze prestazionali. Questa versatilità ne consente l’impiego in numerosi settori: dal monitoraggio delle infrastrutture urbane all’ispezione di macchinari, fino alla lettura di testo inclinato nei documenti digitalizzati.

Addestramento personalizzato di Ultralytics YOLO11 per il rilevamento dei box di delimitazione orientati#

In molte situazioni reali, gli oggetti da rilevare possono essere completamente diversi da quelli presenti nei set di dati di addestramento standard. Per 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 le tue immagini e le tue etichette. Questo processo è noto come addestramento personalizzato.

Ecco uno sguardo più da vicino al processo passo per passo per addestrare Ultralytics YOLO11 al rilevamento OBB:

• Raccolta delle immagini: raccogli immagini che mostrino gli oggetti di interesse da diverse angolazioni, in varie posizioni e in ambienti reali differenti.
• Annotazione degli oggetti: etichetta ogni oggetto utilizzando box di delimitazione ruotati (OBB) per indicarne sia la posizione sia l’orientamento, con strumenti di annotazione che supportano gli OBB.
• Preparazione del set di dati: organizza le immagini e le etichette nel formato per set di dati YOLO OBB e crea un file di configurazione YAML con i nomi delle classi e i percorsi dei set di dati.
• Addestramento del modello: scegli una versione del modello Ultralytics YOLO11 adatta alle tue esigenze e avvia l’addestramento, così il modello potrà apprendere dalle immagini etichettate.
• Valutazione e distribuzione: testa il modello addestrato su nuove immagini, valutane la precisione 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, individuando questi oggetti con precisione.

Analisi di immagini a raggi X con il rilevamento OBB#

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

Questo approccio è particolarmente efficace nell’analisi delle radiografie delle fratture ossee, in cui la posizione e l’allineamento delle ossa sono fattori determinanti. Per esempio, il rilevamento OBB è stato usato per analizzare le radiografie del gomito in età pediatrica. 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 con 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 appaiono spesso piccoli e con angolazioni insolite, il che rende più difficile rilevarli con precisione.

Il rilevamento OBB risolve questo problema inclinando le bounding box in base all’angolo di ciascun oggetto. In questo modo è possibile misurare con maggiore precisione le dimensioni e l’orientamento degli oggetti, favorendo decisioni migliori in ambiti 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 spesso riprendono navi con angolazioni e dimensioni diverse a causa delle condizioni meteorologiche, della luce o del movimento. Gli OBB si adattano a questi cambiamenti, migliorando il rilevamento, soprattutto per le imbarcazioni più piccole o parzialmente nascoste.

Fig. 4. Esempio di uso del rilevamento OBB per la sorveglianza marittima.

Uso del rilevamento OBB in agricoltura#

La selezione dei raccolti dopo la raccolta è un passaggio fondamentale per garantirne la qualità prima del confezionamento e della distribuzione sul mercato. Molti sistemi funzionano bene con frutti rotondi come mele e arance, ma possono avere maggiori difficoltà con colture lunghe e strette, come le carote o i germogli di Zizania. Le forme variano e spesso si trovano con angolazioni diverse, il che le rende difficili da rilevare e selezionare con precisione.

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

Vantaggi e svantaggi del rilevamento OBB#

Ecco alcuni vantaggi del rilevamento OBB:

• Migliori dati in ingresso per le attività a valle: le attività di visione artificiale, come la segmentazione di istanze e il tracciamento degli oggetti, possono ottenere risultati migliori se ricevono rilevamenti degli oggetti più precisi.
• Migliore comprensione spaziale: acquisendo l’angolo di orientamento, gli OBB consentono di comprendere l’allineamento e la direzione di un oggetto.
• Minore sovrapposizione nelle scene affollate: gli OBB riducono l’ambiguità adattandosi meglio agli oggetti, anche nelle scene affollate o caotiche.

Pur contribuendo a migliorare la precisione del rilevamento nelle scene complesse, il rilevamento OBB presenta alcune limitazioni da considerare:

• Maggiore sensibilità al rumore: piccoli errori nella stima dell’angolo possono incidere maggiormente sulla precisione del rilevamento, soprattutto con oggetti molto ravvicinati o allungati.
• Sono necessari strumenti specializzati: poiché non tutte le piattaforme di annotazione e addestramento supportano nativamente gli OBB, il loro utilizzo può richiedere strumenti o configurazioni aggiuntivi.
• Disponibilità limitata di dataset: rispetto al rilevamento standard degli oggetti, al momento sono disponibili pubblicamente meno dataset con annotazioni OBB, il che può rendere un po’ più difficile iniziare o confrontare i risultati.

Punti chiave#

Il rilevamento con bounding box orientate aiuta le soluzioni di visione artificiale a riconoscere gli oggetti che non sono perfettamente dritti o allineati. Acquisendo sia la posizione sia l’orientamento degli oggetti, il rilevamento OBB aumenta la precisione in applicazioni reali come l’analisi di immagini mediche, il monitoraggio dei terreni agricoli e l’analisi di immagini satellitari.

Con modelli come Ultralytics YOLO11 che rendono il rilevamento OBB più accessibile, questa tecnica 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'IA? Esplora il nostro repository GitHub, entra in contatto con la nostra community e scopri le nostre opzioni di licenza per avviare il tuo progetto di visione artificiale. Scopri di più sulle innovazioni come l'IA nel commercio al dettaglio e la visione artificiale nel settore della logistica nelle nostre pagine dedicate alle soluzioni.