8 de outubro de 2024
Entenda como o Ultralytics YOLO11 pode aprimorar a detecção de objetos usando caixas delimitadoras orientadas (OBB) e para quais aplicações esta tarefa de visão computacional é ideal.
O evento híbrido anual da Ultralytics, YOLO Vision 2024 (YV24), focou na discussão dos mais recentes avanços em IA e visão computacional. Esta foi a ocasião perfeita para apresentar nosso modelo mais recente, o Ultralytics YOLO11. O modelo suporta as mesmas tarefas de visão computacional que o Ultralytics YOLOv8, tornando a mudança para o novo modelo fácil para os usuários.
Suponha que você esteja usando o YOLOv8 para detecção de objetos com caixas delimitadoras orientadas (OBB) para detectar objetos de vários ângulos. Agora você pode mudar para o YOLO11 com algumas pequenas alterações no seu código e se beneficiar das melhorias do YOLO11, que vão desde maior precisão e eficiência até velocidade de processamento. Caso você ainda não tenha usado modelos como o YOLO11, a detecção de OBB é um ótimo exemplo de como o YOLO11 pode ser aplicado em diversos setores, oferecendo soluções práticas que geram um impacto real.
Neste artigo, analisaremos o que é a detecção de objetos OBB, onde ela pode ser aplicada e como usar o YOLO11 para detectar OBBs. Também veremos como os novos recursos do YOLO11 podem melhorar esses processos e como executar inferências e treinar modelos personalizados para aproveitar ao máximo seus recursos de detecção de OBB.
A detecção de objetos OBB leva a detecção de objetos tradicional um passo adiante, detectando objetos em diferentes ângulos. Ao contrário das caixas delimitadoras regulares que permanecem alinhadas com os eixos da imagem, os OBBs giram para se ajustar à orientação do objeto. A detecção de objetos OBB pode ser usada para analisar imagens aéreas ou de satélite onde os objetos nem sempre estão retos. Em setores como planejamento urbano, energia e transporte, a capacidade de detectar com precisão objetos angulares como edifícios, veículos ou infraestrutura pode formar a base de aplicações de visão computacional com benefícios tangíveis.
O YOLO11 oferece suporte à detecção de OBB e foi treinado no conjunto de dados DOTA v1.0 para detectar objetos como aviões, navios e tanques de armazenamento de diferentes perspectivas. O YOLO11 está disponível em várias variações de modelo 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 oferece um tamanho diferente, com diferentes níveis de velocidade, precisão e poder computacional. Os usuários podem escolher o modelo que oferece o equilíbrio certo de velocidade e precisão para sua aplicação.
Os recursos de detecção de objetos do YOLO11, especialmente seu suporte para caixas delimitadoras orientadas, trazem maior precisão para vários setores. Em seguida, veremos 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.
Se alguma vez admirou o design e layout de uma cidade, é graças ao trabalho detalhado de planeamento urbano e monitorização de infraestruturas. Um dos muitos aspetos da monitorização de infraestruturas é a identificação e gestão de estruturas importantes como tanques de armazenamento, oleodutos e locais industriais. O YOLO11 pode ajudar os planeadores urbanos a analisar imagens aéreas para detetar estes componentes críticos de forma rápida e precisa.
A detecção de objetos com caixas delimitadoras orientadas é particularmente útil aqui porque permite a detecção de objetos visualizados de vários ângulos (frequentemente o caso com imagens aéreas). A precisão é vital aqui para manter o controle de zonas industriais, gerenciar impactos ambientais e garantir que a infraestrutura seja mantida adequadamente. OBB torna o processo de detecção mais confiável, ajudando os planejadores a tomar decisões informadas sobre o crescimento, a segurança e a sustentabilidade da cidade. Usar o YOLO11 pode ajudar os planejadores a monitorar e gerenciar a infraestrutura que mantém as cidades funcionando 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, painéis solares podem ser inspecionados quanto a danos usando drones integrados com Edge AI e YOLO11. Analisar imagens na borda traz mais precisão e eficiência ao processo de inspeção. Devido ao movimento e perspectiva do drone, as imagens de vigilância podem frequentemente capturar painéis solares de vários ângulos. Nesses casos, a detecção OBB do YOLO11 pode ajudar os drones a identificar com precisão os painéis solares.
Portos e terminais movimentam centenas de navios a cada semana, e gerenciar uma frota tão grande pode ser um desafio. Um elemento adicional de dificuldade está envolvido ao analisar navios em imagens aéreas; os navios geralmente aparecem em ângulos diferentes. É aqui que o suporte do YOLO11 para detecção OBB é útil.
A detecção OBB possibilita que o modelo detecte navios em vários ângulos com mais precisão do que caixas retangulares padrão. Ao usar o YOLO11 com OBB, as empresas de transporte marítimo podem identificar mais facilmente a localização e a condição de sua frota, mantendo o controle de detalhes importantes, como movimentos da frota e logística da cadeia de suprimentos. Essas soluções habilitadas para visão ajudam a otimizar rotas, reduzir atrasos e melhorar o gerenciamento geral da frota nas rotas de transporte marítimo.
Se é um desenvolvedor de IA que procura usar o YOLO11 para deteção OBB, existem duas opções fáceis para começar. Se se sente confortável a trabalhar com código, o pacote Ultralytics Python é uma ótima escolha. Se prefere uma solução sem código, fácil de usar e com capacidades de treino na nuvem, o Ultralytics HUB é uma plataforma interna concebida apenas para isso. Para mais detalhes, pode consultar o nosso guia sobre treino e implementação do Ultralytics YOLO11 usando o Ultralytics HUB.
Agora que vimos exemplos de onde o suporte OBB do YOLO11 pode ser aplicado, vamos explorar o pacote Python Ultralytics e ver como você pode executar inferências e treinar modelos personalizados usando-o.
Primeiro, para usar o 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, você pode consultar nosso Guia de Instalação do Ultralytics. Se você enfrentar algum desafio durante a instalação, nosso Guia de Problemas Comuns oferece dicas úteis de solução de problemas.
Após instalar o pacote Ultralytics, trabalhar com o YOLO11 é incrivelmente simples. Executar uma inferência refere-se ao processo de usar um modelo treinado para fazer previsões em novas imagens, como detectar objetos com OBB em tempo real. É diferente do treinamento do modelo, que é quando você ensina o modelo a reconhecer novos objetos ou melhorar seu desempenho em tarefas específicas. A inferência é usada quando você deseja aplicar o modelo a dados não vistos.
O exemplo abaixo explica como carregar um modelo e usá-lo para prever caixas delimitadoras orientadas em uma imagem. Para exemplos mais detalhados e dicas de uso avançado, certifique-se de consultar a documentação oficial da Ultralytics para obter as melhores práticas e mais instruções.
Treinar um modelo YOLO11 significa que você pode ajustar seu desempenho em datasets e tarefas específicas, como detecção de objetos de 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 dataset específico.
No trecho de código abaixo, abordamos as etapas para treinar um modelo YOLO11 para detecção OBB.
Primeiro, o modelo é inicializado usando pesos pré-treinados YOLO11 específicos para OBB (yolo11n-obb.pt). Em seguida, uma função de treino é usada para treinar o modelo em um conjunto de dados personalizado, com parâmetros como o arquivo 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 precisão e perda.
Usando o modelo treinado, você pode executar inferências em novas imagens para detectar objetos com OBB e visualizá-los. Além disso, o modelo treinado pode ser convertido para formatos como ONNX para implantação usando o recurso de exportação.
O Ultralytics YOLO11 leva a detecção de objetos para o próximo nível com seu suporte para caixas delimitadoras orientadas. Ao ser capaz de detectar objetos em diferentes ângulos, o YOLO11 pode ser usado para várias aplicações em diferentes setores. Por exemplo, é 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 desempenho mais rápido e precisão aprimorada, 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 em nossas vidas diárias, modelos como o YOLO11 moldarão 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.
.webp)