8 de outubro de 2024
Compreenda comoYOLO11 Ultralytics YOLO11 pode melhorar a deteção de objectos utilizando caixas delimitadoras orientadas (OBB) e para que aplicações esta tarefa de visão computacional é ideal.
O evento híbrido anual da Ultralytics, YOLO Vision 2024 (YV24), centrou-se na discussão dos mais recentes avanços em IA e visão computacional. Essa foi a ocasião perfeita para apresentar nosso mais novo modelo, Ultralytics YOLO11. O modelo suporta as mesmas tarefas de visão computacional que o Ultralytics YOLOv8tornando a mudança para o novo modelo fácil para os utilizadores.
Suponha que estava a utilizar YOLOv8 para a deteção de objectos com caixas delimitadoras orientadas (OBB) para detect objectos de vários ângulos. Pode agora mudar para o YOLO11 com algumas pequenas alterações ao seu código e beneficiar das melhorias doYOLO11, que vão desde uma maior precisão e eficiência até à velocidade de processamento. Caso ainda não tenha utilizado modelos como o YOLO11, a deteção de OBB é um excelente exemplo de como YOLO11 pode ser aplicado numa série de indústrias, oferecendo soluções práticas que têm um impacto real.
Neste artigo, veremos o que é a deteção de objectos OBB, onde pode ser aplicada e como utilizar YOLO11 para detect OBB. Iremos também explicar como as novas funcionalidades do YOLO11 podem melhorar estes processos e como executar inferências e treinar modelos personalizados para tirar o máximo partido das suas capacidades de deteção de OBB.
A deteção de objectos OBB leva a deteção de objectos tradicional um passo à frente, detectando objectos em diferentes ângulos. Ao contrário das caixas delimitadoras normais que se mantêm alinhadas com os eixos da imagem, as OBBs rodam para se adaptarem à orientação do objeto. A deteção de objectos OBB pode ser utilizada para analisar imagens aéreas ou de satélite em que os objectos nem sempre estão direitos. Em indústrias como o planeamento urbano, a energia e os transportes, a capacidade de detect com precisão objectos angulares como edifícios, veículos ou infra-estruturas pode constituir a base de aplicações de visão por computador com benefícios tangíveis.
YOLO11 suporta a deteção de OBB e foi treinado no conjunto de dados DOTA v1.0 para detect objectos como aviões, navios e tanques de armazenamento a partir de diferentes perspectivas. YOLO11 vem em diversas variações de modelo para atender a diferentes necessidades, incluindo obb (Nano), obb (Pequeno), obb (Médio), obb (Grande) e obb (Extra Grande). Cada modelo oferece um tamanho diferente, com diferentes níveis de velocidade, precisão e potência computacional. Os utilizadores podem escolher o modelo que oferece o equilíbrio certo de velocidade e precisão para a sua aplicação.
As capacidades de deteção de objectos do YOLO11, especialmente o seu suporte para caixas delimitadoras orientadas, trazem maior precisão a várias indústrias. De seguida, veremos alguns exemplos de como YOLO11 e a deteção de OBB podem ser utilizados em situações reais para tornar os processos mais eficientes, precisos e fáceis de gerir em diferentes áreas.
Se alguma vez admirou o design e a disposição de uma cidade, isso deve-se ao trabalho detalhado de planeamento urbano e monitorização de infra-estruturas. Um dos muitos aspectos da monitorização de infra-estruturas é a identificação e gestão de estruturas importantes, como tanques de armazenamento, condutas e instalações industriais. YOLO11 pode ajudar os planeadores urbanos a analisar imagens aéreas para detect estes componentes críticos com rapidez e precisão.
A deteção de objectos com caixa delimitadora orientada é particularmente útil neste caso porque permite a deteção de objectos vistos de vários ângulos (frequentemente o caso com imagens aéreas). A precisão é vital neste caso para track as zonas industriais, gerir os impactos ambientais e garantir a manutenção adequada das infra-estruturas. 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. A utilização do YOLO11 pode ajudar os planeadores a monitorizar e gerir a infraestrutura que mantém as cidades a funcionar sem problemas.
À medida que a energia renovável e inovações como os parques solares se tornam mais populares, as inspeções regulares tornam-se mais importantes. Os painéis solares precisam ser verificados para garantir que estão funcionando de forma eficiente. Com o tempo, problemas como rachaduras, acúmulo de sujeira ou desalinhamento podem diminuir seu desempenho. Inspeções de rotina ajudam a identificar esses problemas precocemente, para que a manutenção possa ser feita para mantê-los funcionando sem problemas.
Por exemplo, os painéis solares podem ser inspeccionados quanto a danos utilizando drones que estão integrados com IA de ponta e YOLO11. A análise de imagens no limite traz mais precisão e eficiência ao processo de inspeção. Devido ao movimento e à perspetiva do drone, as imagens de vigilância podem frequentemente captar painéis solares de vários ângulos. Nestes casos, a deteção de OBB do YOLO11pode ajudar os drones a identificar com precisão os painéis solares.
Os portos movimentam centenas de navios todas as semanas, e a gestão de uma frota tão grande pode ser um desafio. Um elemento adicional de dificuldade está envolvido na análise de navios em imagens aéreas; os navios aparecem frequentemente em ângulos diferentes. É aqui que o suporte doYOLO11para a deteção de OBB é útil.
A deteção OBB permite que o modelo detect navios em vários ângulos com maior precisão do que as caixas rectangulares normais. Ao utilizar YOLO11 com OBB, as empresas de transporte marítimo podem identificar mais facilmente a localização e o estado da sua frota, mantendo track de detalhes importantes como os movimentos da frota e a logística da cadeia de fornecimento. Estas soluções de visão ajudam a otimizar as rotas, a reduzir os atrasos e a melhorar a gestão global da frota nas rotas de navegação.
Se é um programador de IA que pretende utilizar YOLO11 para a deteção de OBB, existem duas opções fáceis para começar. Se se sente confortável a trabalhar com código, o pacoteUltralytics Python é uma óptima escolha. Se preferir uma solução fácil de utilizar e sem código, com capacidades de formação na nuvem, Ultralytics HUB é uma plataforma interna concebida especialmente para o efeito. Para mais pormenores, pode consultar o nosso guia sobre formação e implementação do Ultralytics YOLO11 utilizando Ultralytics HUB.
Agora que já vimos exemplos de como o suporte OBB do YOLO11pode ser aplicado, vamos explorar o pacote Ultralytics Python e ver como pode executar inferências e treinar modelos personalizados utilizando-o.
Primeiro, para usar YOLO11 com Python, você precisará instalar o pacote Ultralytics . Dependendo de suas preferências, você pode optar por instalá-lo usando pip, conda ou Docker. Para obter instruções passo a passo, pode consultar o nosso Guia de Instalação doUltralytics . Se tiver algum problema durante a instalação, o nosso Guia de Problemas Comuns oferece dicas úteis para a resolução de problemas.
Depois de ter instalado o pacote Ultralytics , trabalhar com o YOLO11 é incrivelmente simples. A execução de uma inferência refere-se ao processo de utilização de um modelo treinado para fazer previsões sobre novas imagens - como a deteção de objectos com OBB em tempo real. É diferente do treino de modelos, que é quando se ensina o modelo a reconhecer novos objectos ou a melhorar o seu desempenho em tarefas específicas. A inferência é utilizada quando se pretende aplicar o modelo a dados não vistos.
O exemplo abaixo mostra como carregar um modelo e usá-lo para prever caixas delimitadoras orientadas em uma imagem. Para obter exemplos mais detalhados e dicas de utilização avançada, consulte a documentação oficial Ultralytics para obter práticas recomendadas e instruções adicionais.
Treinar um modelo YOLO11 significa que pode afinar o seu desempenho em conjuntos de dados e tarefas específicos, como a deteção orientada de objectos com caixa delimitadora. Embora os modelos pré-treinados como o YOLO11 possam ser utilizados para a deteção geral de objectos, o treino de um modelo personalizado é essencial quando é necessário que o modelo detect objectos únicos ou optimize o desempenho num conjunto de dados específico.
No trecho de código abaixo, abordamos os passos para treinar um modelo YOLO11 para deteção de OBB.
Primeiro, o modelo é inicializado utilizando pesos pré-treinados específicos YOLO11 OBB (obb.pt). Em 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 para executar o treino (por exemplo, CPU ou GPU). Após o treino, o desempenho do modelo é validado para verificar métricas como a precisão e a perda.
Utilizando o modelo treinado, pode executar inferências em novas imagens para detect objectos com OBB e visualizá-los. Além disso, o modelo treinado pode ser convertido para formatos como ONNX para implantação usando o recurso de exportação.
Ultralytics YOLO11 leva a deteção de objectos para o nível seguinte com o seu suporte para caixas delimitadoras orientadas. Ao ser capaz de detect objectos em diferentes ângulos, YOLO11 pode ser utilizado para várias aplicações em diferentes indústrias. Por exemplo, é perfeito para indústrias como o planeamento urbano, a energia e a navegação, onde a precisão é crucial para tarefas como a inspeção de painéis solares ou a monitorização de frotas. Com um desempenho mais rápido e uma precisão melhorada, YOLO11 pode ajudar os programadores de IA a resolver desafios do mundo real.
À medida que a IA se torna mais amplamente adoptada e integrada na nossa vida quotidiana, modelos como o YOLO11 irão moldar o futuro das soluções de IA.
Para saber mais sobre o potencial da Visão de IA, junte-se à nossa crescente comunidade e explore o nosso repositório GitHub. Estamos a impulsionar a inovação ao reinventar setores como o da saúde e o dos carros autônomos.
