Como utilizar Ultralytics YOLO11 para deteção de objetos com OBB

O evento híbrido anual da Ultralytics, YOLO Vision 2024 (YV24), foi dedicado a discutir os avanços mais recentes em IA e visão computacional. Foi também onde apresentamos nosso modelo mais recente na época, Ultralytics YOLO11, que desde então foi sucedido pelo Ultralytics YOLO26. O modelo oferece suporte às mesmas tarefas de visão computacional que o Ultralytics YOLOv8, facilitando a transição para o novo modelo.

Suponha que você estivesse usando YOLOv8 para detecção de objetos com caixas delimitadoras orientadas (OBB), a fim de detectar objetos de vários ângulos. Agora você pode mudar para YOLO11 com algumas pequenas alterações no código e aproveitar as melhorias do YOLO11, que incluem maior precisão e eficiência, além de maior velocidade de processamento. Se você ainda não usou modelos como YOLO11, a detecção OBB é um ótimo exemplo de como YOLO11 pode ser aplicado em vários setores, oferecendo soluções práticas com impacto real.

Neste artigo, veremos o que é a detecção de objetos OBB, onde ela pode ser aplicada e como usar o Ultralytics YOLO11 para detectar OBB. Também explicaremos como os novos recursos do YOLO11 podem aprimorar esses processos e como executar inferências e treinar modelos personalizados para aproveitar ao máximo os recursos de detecção OBB do modelo.

Os recursos de última geração do Ultralytics YOLO11 incluem tarefas como a detecção de objetos OBB#

A detecção de objetos OBB vai além da detecção tradicional de objetos, pois detecta objetos em diferentes ângulos. Ao contrário das caixas delimitadoras comuns, que permanecem alinhadas aos eixos da imagem, as OBBs giram para se ajustar à orientação do objeto. A detecção de objetos OBB pode ser usada para analisar imagens aéreas ou de satélite, nas quais os objetos nem sempre estão alinhados. Em setores como planejamento urbano, energia e transporte, a capacidade de detectar com precisão objetos inclinados, como edifícios, veículos ou infraestruturas, pode ser a base de aplicações de visão computacional com benefícios concretos.

Fig. 1. Comparação entre caixas delimitadoras normais e caixas delimitadoras orientadas.

YOLO11 oferece suporte à detecção OBB e foi treinado com o conjunto de dados DOTA v1.0 para detectar objetos como aviões, navios e tanques de armazenamento de diferentes perspectivas. YOLO11 está disponível em várias versões de modelos para atender a diferentes necessidades, incluindo YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) e YOLO11x-obb (Extra Large). Cada modelo tem um tamanho diferente e níveis variados de velocidade, precisão e capacidade computacional. Os usuários podem escolher o modelo que oferece o equilíbrio ideal entre velocidade e precisão para sua aplicação.

Casos de uso do Ultralytics YOLO11 que trazem uma nova perspectiva à detecção#

Os recursos de detecção de objetos do Ultralytics YOLO11, especialmente o suporte a caixas delimitadoras orientadas, oferecem mais precisão a vários setores. A seguir, veremos alguns exemplos de como o YOLO11 e a detecção OBB podem ser usados em situações reais para tornar os processos mais eficientes, precisos e fáceis de gerenciar em diferentes áreas.

Planejamento urbano e monitoramento de infraestrutura com o Ultralytics YOLO11#

Se você já admirou o design e a disposição de uma cidade, isso se deve ao trabalho detalhado de planejamento urbano e monitoramento de infraestruturas. Um dos muitos aspectos do monitoramento de infraestruturas é identificar e gerenciar estruturas importantes, como tanques de armazenamento, tubulações e instalações industriais. Ultralytics YOLO11 pode ajudar planejadores urbanos a analisar imagens aéreas e detectar esses componentes essenciais com rapidez e precisão.

A detecção de objetos com caixas delimitadoras orientadas é especialmente útil nesse caso, pois permite detectar objetos vistos de vários ângulos, algo comum em imagens aéreas. A precisão é fundamental para acompanhar zonas industriais, gerenciar impactos ambientais e garantir a manutenção adequada das infraestruturas. OBB torna o processo de detecção mais confiável, ajudando planejadores a tomar decisões informadas sobre o crescimento, a segurança e a sustentabilidade da cidade. Usar Ultralytics YOLO11 pode ajudar planejadores a monitorar e gerenciar as infraestruturas que mantêm as cidades funcionando sem problemas.

Fig. 2. Uso do Ultralytics YOLO11 para detectar tanques de armazenamento em imagens aéreas.

Inspeção de painéis solares com drones, Ultralytics YOLO11 e IA de borda#

Com a crescente popularidade da energia renovável e de inovações como usinas solares, as inspeções regulares estão se tornando mais importantes. É preciso verificar os painéis solares para garantir que funcionem com eficiência. Com o tempo, rachaduras, acúmulo de sujeira ou desalinhamento podem reduzir o desempenho. Inspeções periódicas ajudam a identificar esses problemas cedo, permitindo fazer a manutenção necessária para que os painéis continuem funcionando bem.

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

O Ultralytics YOLO11 pode fornecer informações úteis para a gestão de frotas#

Portos e ancoradouros recebem centenas de navios por semana, e gerenciar uma frota tão grande pode ser desafiador. A tarefa fica ainda mais difícil ao analisar navios em imagens aéreas, pois os navios costumam aparecer em diferentes ângulos. É aí que o suporte do Ultralytics YOLO11 à detecção OBB é útil.

A detecção OBB permite que o modelo detecte navios em vários ângulos com mais precisão do que as caixas retangulares padrão. Usando Ultralytics YOLO11 com OBB, as empresas de transporte marítimo podem identificar com mais facilidade a localização e o estado da frota, acompanhando detalhes importantes, como movimentações da frota e logística da cadeia de suprimentos. Essas soluções com visão computacional ajudam a otimizar rotas, reduzir atrasos e melhorar o gerenciamento geral da frota nas rotas marítimas.

Fig. 3. Uso do Ultralytics YOLO11 para detectar navios e portos em ângulo.

Ultralytics YOLO11 para desenvolvedores de IA: detecção de caixas delimitadoras orientadas#

Se você é um desenvolvedor de IA que quer usar YOLO11 para detecção OBB, há duas maneiras simples de começar. Se você se sente à vontade para trabalhar com código, o pacote Python da Ultralytics é uma ótima opção. Se prefere uma solução intuitiva, sem código e com recursos de treinamento na nuvem, o Ultralytics HUB (agora Ultralytics Platform) é uma plataforma criada exatamente para isso. Para saber mais, consulte nosso guia sobre treinamento e implantação do Ultralytics YOLO11 usando o Ultralytics HUB.

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

Executando inferências com o Ultralytics YOLO11#

Primeiro, para usar o YOLO11 com Python, você precisará instalar o pacote da Ultralytics. De acordo com sua preferência, você pode instalá-lo usando pip, conda ou Docker. Para ver as instruções passo a passo, consulte nosso Guia de instalação da Ultralytics. Se tiver algum problema durante a instalação, nosso Guia de problemas comuns oferece dicas úteis para solucioná-lo.

Depois de instalar o pacote Ultralytics, trabalhar com YOLO11 é simples. Executar uma inferência é o processo de usar um modelo treinado para fazer previsões em novas imagens, por exemplo, detectando objetos com OBB em tempo real. Isso é diferente do treinamento do modelo, que consiste em ensiná-lo a reconhecer novos objetos ou melhorar seu desempenho em tarefas específicas. A inferência é usada quando você quer aplicar o modelo a dados que ele ainda não viu.

O exemplo a seguir mostra como carregar um modelo e usá-lo para prever caixas delimitadoras orientadas em uma imagem. Para ver exemplos mais detalhados e dicas de uso avançado, consulte a documentação oficial da Ultralytics para conhecer as práticas recomendadas e obter mais instruções.

Fig. 4. Trecho de código que mostra a execução de inferências com Ultralytics YOLO11.

Treinando um modelo Ultralytics YOLO11 personalizado#

Treinar um modelo Ultralytics YOLO11 permite ajustar seu desempenho para conjuntos de dados e tarefas específicos, como a detecção de objetos com caixas delimitadoras orientadas. Embora modelos pré-treinados como YOLO11 possam ser usados para detecção de objetos geral, treinar um modelo personalizado é essencial quando você precisa que ele detecte objetos exclusivos ou otimize o desempenho em um conjunto de dados específico.

No trecho de código a seguir, mostramos as etapas para treinar um modelo Ultralytics YOLO11 para detecção OBB.

Primeiro, o modelo é inicializado com pesos específicos para OBB do YOLO11 pré-treinados (yolo11n-obb.pt). Em seguida, uma função de treinamento é usada para treinar o modelo com um conjunto de dados personalizado, usando parâmetros como o arquivo de configuração do conjunto de dados, o número de ciclos de treinamento, o tamanho das imagens de treinamento e o hardware usado para executar o treinamento (por exemplo, CPU ou GPU). Após o treinamento, o desempenho do modelo é validado para verificar métricas como precisão, revocação e precisão média (mAP).

Com o modelo treinado, você pode executar inferências em novas imagens para detectar e visualizar objetos com OBB. Além disso, o modelo treinado pode ser convertido para formatos como ONNX para implantação usando o recurso de exportação.

Fig. 5. Exemplo de treinamento do Ultralytics YOLO11 para detecção de objetos OBB.

O caminho a seguir para os avanços em IA com o Ultralytics YOLO11#

Ultralytics YOLO11 amplia a detecção de objetos com seu suporte a caixas delimitadoras orientadas. Como consegue detectar objetos em diferentes ângulos, YOLO11 pode ser usado em várias aplicações de diversos setores. Por exemplo, ele é ideal para setores como planejamento urbano, energia e transporte marítimo, nos quais a precisão é crucial em tarefas como inspeções de painéis solares ou monitoramento de frotas. Com maior velocidade e precisão aprimorada, YOLO11 pode ajudar desenvolvedores de IA a resolver desafios do mundo real.

À medida que a IA se torna mais adotada e integrada ao nosso cotidiano, modelos como o Ultralytics YOLO11 moldarão o futuro das soluções de IA.

Para conhecer o potencial da IA visual, participe da nossa crescente comunidade e explore nosso repositório no GitHub. Veja como a IA visual está sendo aplicada em setores que vão da saúde aos carros autônomos.