Como usar o Ultralytics YOLO11 para deteção de objetos OBB

O evento híbrido anual da Ultralytics, o YOLO Vision 2024 (YV24), focou em discutir os últimos avanços em IA e visão computacional. Esta foi a ocasião perfeita para apresentar o nosso modelo mais recente, o Ultralytics YOLO11. O modelo suporta as mesmas tarefas de visão computacional que o Ultralytics YOLOv8, tornando a transição para o novo modelo simples para os utilizadores.

Suponha que estavas a usar o YOLOv8 para deteção de objetos com caixas delimitadoras orientadas (OBB) para detetar objetos a partir de vários ângulos. Agora podes mudar para o YOLO11 com algumas pequenas alterações no teu código e beneficiar das melhorias do YOLO11, que vão desde o aumento da precisão e eficiência até à velocidade de processamento. Caso ainda não tenhas usado modelos como o YOLO11, a deteção OBB é um excelente exemplo de como o YOLO11 pode ser aplicado numa variedade de indústrias, oferecendo soluções práticas que geram um impacto real.

Neste artigo, vamos ver o que é detecção de objetos OBB, onde ela pode ser aplicada e como usar Ultralytics YOLO11 para detectar OBB. Também vamos ver como os novos recursos do YOLO11 podem melhorar esses processos e como executar inferências e treinar modelos personalizados para aproveitar ao máximo suas capacidades de detecção OBB.

As funcionalidades do Ultralytics YOLO11 de nova geração incluem tarefas como a deteção de objetos OBB#

A deteção de objetos OBB leva a deteção tradicional de objetos mais longe, ao detetar objetos em diferentes ângulos. Ao contrário das caixas delimitadoras normais que permanecem alinhadas com os eixos da imagem, as OBB rodam para se ajustarem à orientação do objeto. A deteção de objetos OBB pode ser usada para analisar imagens aéreas ou de satélite onde os objetos nem sempre estão direitos. Em indústrias como o planeamento urbano, a energia e os transportes, a capacidade de detetar com precisão objetos inclinados, como edifícios, veículos ou infraestruturas, pode formar a base de aplicações de visão computacional com benefícios tangíveis.

Fig 1. A comparar caixas delimitadoras normais e caixas delimitadoras orientadas.

O YOLO11 suporta a deteção OBB e foi treinado no conjunto de dados DOTA v1.0 para detetar objetos como aviões, navios e tanques de armazenamento a partir de diferentes perspetivas. O YOLO11 inclui várias variações de modelos para se adaptar a diferentes necessidades, incluindo YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) e YOLO11x-obb (Extra Large). Cada modelo oferece um tamanho diferente, com níveis variados de velocidade, precisão e poder computacional. Podes escolher o modelo que oferece o equilíbrio certo entre velocidade e precisão para a tua aplicação.

Casos de uso do Ultralytics YOLO11 que introduzem um novo ângulo na deteção#

As capacidades de detecção de objetos do Ultralytics YOLO11, especialmente o seu suporte para caixas delimitadoras orientadas, trazem maior precisão para vários setores. Em seguida, vamos dar uma olhada em alguns exemplos de como o YOLO11 e a detecção OBB podem ser usados em situações do mundo real para tornar os processos mais eficientes, precisos e fáceis de gerenciar em diferentes áreas.

Planeamento urbano e monitorização de infraestruturas com o Ultralytics YOLO11#

Se alguma vez admiraste o design e a disposição de uma cidade, isso deve-se ao trabalho detalhado do planeamento urbano e da monitorização de infraestruturas. Um dos muitos aspetos da monitorização de infraestruturas é a identificação e gestão de estruturas importantes, tais como tanques de armazenamento, condutas e locais industriais. O Ultralytics YOLO11 pode ajudar os planeadores urbanos a analisar imagens aéreas para detetar estes componentes críticos de forma rápida e precisa.

A deteção de objetos com caixas delimitadoras orientadas é particularmente útil aqui, pois permite a deteção de objetos vistos de vários ângulos (o que acontece frequentemente com imagens aéreas). A precisão é fundamental para monitorizar zonas industriais, gerir impactos ambientais e garantir que a infraestrutura é devidamente mantida. O OBB torna o processo de deteção mais fiável, ajudando os planeadores a tomar decisões informadas sobre o crescimento, a segurança e a sustentabilidade da cidade. Usar o Ultralytics YOLO11 pode ajudar os planeadores a monitorizar e gerir a infraestrutura que mantém as cidades a funcionar sem problemas.

Fig 2. A usar o Ultralytics YOLO11 para detetar tanques de armazenamento em imagens aéreas.

Inspeção de painéis solares com drones, Ultralytics YOLO11 e edge AI#

À medida que a energia renovável e inovações como parques solares se tornam mais populares, as inspeções regulares ganham importância. Os painéis solares precisam de ser verificados para garantir que funcionam de forma eficiente. Com o tempo, fatores como fissuras, acumulação de sujidade ou desalinhamento podem reduzir o seu desempenho. As inspeções de rotina ajudam a detetar estes problemas precocemente, para que a manutenção possa ser feita de modo a mantê-los a funcionar sem problemas.

Por exemplo, painéis solares podem ser inspecionados quanto a danos usando drones integrados com IA de borda e Ultralytics YOLO11. Analisar imagens na borda traz mais precisão e eficiência ao processo de inspeção. Devido ao movimento e à perspectiva do drone, as imagens de vigilância podem frequentemente capturar painéis solares de vários ângulos. Nestes casos, a detecção OBB do YOLO11 pode ajudar os drones a identificar com precisão os painéis solares.

O Ultralytics YOLO11 pode fornecer dados para a gestão de frotas#

Portos e marinas lidam com centenas de navios todas as semanas, e gerir uma frota tão grande pode ser desafiante. Um elemento adicional de dificuldade surge ao analisar navios em imagens aéreas; os navios aparecem frequentemente em diferentes ângulos. É aqui que o suporte do Ultralytics YOLO11 para deteção OBB se torna útil.

A deteção OBB torna possível ao modelo detetar navios a vários ângulos com mais precisão do que as caixas retangulares standard. Ao usar o Ultralytics YOLO11 com OBB, as empresas de navegação podem identificar mais facilmente a localização e a condição da sua frota, acompanhando detalhes importantes como os movimentos da frota e a logística da cadeia de abastecimento. Tais soluções com capacidade de visão ajudam a otimizar rotas, reduzir atrasos e melhorar a gestão global da frota nas rotas marítimas.

Fig 3. A usar o Ultralytics YOLO11 para detetar navios e portos num ângulo.

Ultralytics YOLO11 para programadores de IA: Detetar caixas delimitadoras orientadas#

Se és um programador de IA que procura usar o YOLO11 para deteção OBB, existem duas opções fáceis para começar. Se te sentes à vontade a trabalhar com código, o pacote Python da Ultralytics é uma excelente escolha. Se preferes uma solução intuitiva e sem código com capacidades de treino na cloud, o Ultralytics HUB é uma plataforma interna desenhada exatamente para isso. Para mais detalhes, podes consultar o nosso guia sobre como treinar e implementar o Ultralytics YOLO11 usando o Ultralytics HUB.

Agora que já vimos exemplos de onde o suporte OBB do YOLO11 pode ser aplicado, vamos explorar o pacote Python da Ultralytics e ver como podes executar inferências e treinar modelos personalizados com ele.

Execução de inferências com o Ultralytics YOLO11#

Primeiro, para usares o YOLO11 com Python, precisas de instalar o pacote Ultralytics. Dependendo das tuas preferências, podes escolher instalá-lo usando pip, conda ou Docker. Para instruções passo a passo, podes consultar o nosso Guia de Instalação da Ultralytics. Se enfrentares algum desafio durante a instalação, o nosso Guia de Problemas Comuns oferece dicas úteis de resolução de problemas.

Assim que instalares o pacote Ultralytics, trabalhar com o YOLO11 torna-se incrivelmente simples. Executar uma inferência refere-se ao processo de usar um modelo treinado para fazer previsões em novas imagens — como detetar objetos com OBB em tempo real. É diferente do treino de modelos, que é quando ensinas o modelo a reconhecer novos objetos ou a melhorar o seu desempenho em tarefas específicas. A inferência é usada quando queres aplicar o modelo a dados não vistos.

O exemplo abaixo guia-te sobre como carregar um modelo e usá-lo para prever caixas delimitadoras orientadas numa imagem. Para exemplos mais detalhados e dicas de uso avançado, não te esqueças de consultar a documentação oficial da Ultralytics para boas práticas e mais instruções.

Fig 4. Um bloco de código que demonstra a execução de inferências com o Ultralytics YOLO11.

Treino de um modelo Ultralytics YOLO11 personalizado#

Treinar um modelo Ultralytics YOLO11 significa que você pode ajustar o desempenho dele em conjuntos de dados e tarefas específicos, como detecção de objetos por caixa delimitadora orientada. Embora modelos pré-treinados como o YOLO11 possam ser usados para detecção de objetos geral, treinar um modelo personalizado é essencial quando você precisa que o modelo detecte objetos exclusivos ou otimize o desempenho em um conjunto de dados específico.

No bloco de código abaixo, abordamos os passos para treinar um modelo Ultralytics YOLO11 para deteção OBB.

Primeiro, o modelo é inicializado usando pesos específicos para OBB do YOLO11 pré-treinados (yolo11n-obb.pt). De seguida, é utilizada uma função de treino para treinar o modelo num conjunto de dados personalizado, com parâmetros como o ficheiro de configuração do conjunto de dados, o número de ciclos de treino, o tamanho da imagem de treino e o hardware onde executar o treino (por exemplo, CPU ou GPU). Após o treino, o desempenho do modelo é validado para verificar métricas como precisão e perda.

Usando o modelo treinado, podes executar inferências em novas imagens para detetar objetos com OBB e visualizá-los. Além disso, o modelo treinado pode ser convertido para formatos como ONNX para implementação usando a funcionalidade de exportação.

Fig 5. Um exemplo de treino do Ultralytics YOLO11 para deteção de objetos OBB.

O caminho a seguir para os avanços de IA do Ultralytics YOLO11#

O Ultralytics YOLO11 leva a detecção de objetos ao próximo nível com seu suporte para caixas delimitadoras orientadas. Por ser capaz de detectar objetos em diferentes ângulos, o YOLO11 pode ser usado para várias aplicações em diferentes setores. Por exemplo, ele é um ajuste perfeito para setores como planejamento urbano, energia e transporte marítimo, onde a precisão é crucial para tarefas como inspeções de painéis solares ou monitoramento de frotas. Com um desempenho mais rápido e maior precisão, o YOLO11 pode ajudar os desenvolvedores de IA a resolver desafios do mundo real.

À medida que a IA se torna mais amplamente adotada e integrada nas nossas vidas diárias, modelos como o Ultralytics YOLO11 moldarão o futuro das soluções de IA.

Para descobrires o potencial da IA de visão, junta-te à nossa crescente comunidade e explora o nosso repositório do GitHub. Estamos a impulsionar a inovação ao reinventar setores desde os cuidados de saúde até aos carros autónomos.