Como utilizar o Ultralytics YOLO11 para deteção de objetos OBB
Compreende como o Ultralytics YOLO11 pode melhorar a deteção de objetos utilizando caixas delimitadoras orientadas (OBB) e em que aplicações esta tarefa de visão computacional é ideal.
O evento híbrido anual da Ultralytics, o YOLO Vision 2024 (YV24), centrou-se na discussão dos avanços mais recentes 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 simples para os utilizadores a transição para o novo modelo.
Suponha que estava a utilizar o YOLOv8 para deteção de objetos com caixas delimitadoras orientadas (OBB) para detetar objetos a partir de vários ângulos. Agora pode mudar para o YOLO11 com algumas pequenas alterações ao seu código e beneficiar das melhorias do YOLO11, que vão desde maior precisão e eficiência até uma maior velocidade de processamento. Se ainda não utilizou modelos como o YOLO11, a deteção com OBB é um ótimo exemplo de como o YOLO11 pode ser aplicado em vários setores, oferecendo soluções práticas com um impacto real.
Neste artigo, veremos o que é a deteção de objetos com OBB, onde pode ser aplicada e como utilizar o Ultralytics YOLO11 para detetar OBB. Também explicaremos 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 com OBB.
As funcionalidades de próxima geração do Ultralytics YOLO11 incluem tarefas como a deteção de objetos com OBB#
A deteção de objetos com OBB leva a deteção tradicional de objetos um passo mais além, detetando 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 com OBB pode ser utilizada para analisar imagens aéreas ou de satélite, nas quais os objetos nem sempre estão direitos. Em setores como o planeamento urbano, a energia e os transportes, a capacidade de detetar com precisão objetos inclinados, como edifícios, veículos ou infraestruturas, pode constituir a base de aplicações de visão computacional com benefícios concretos.
Fig. 1. Comparação entre caixas delimitadoras normais e caixas delimitadoras orientadas.
O YOLO11 suporta a deteção com 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 está disponível em várias versões de modelo para responder 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, com níveis distintos de velocidade, precisão e capacidade computacional. Os utilizadores podem escolher o modelo que oferece o equilíbrio adequado entre velocidade e precisão para a sua aplicação.
Casos de utilização do Ultralytics YOLO11 que introduzem um novo ângulo na deteção#
As capacidades de deteção de objetos do Ultralytics YOLO11, especialmente o suporte para caixas delimitadoras orientadas, proporcionam maior precisão a vários setores. De seguida, veremos alguns exemplos de como o YOLO11 e a deteção com OBB podem ser utilizados em situações reais para tornar os processos mais eficientes, precisos e fáceis de gerir em diferentes áreas.
Planeamento urbano e monitorização de infraestruturas com o Ultralytics YOLO11#
Se alguma vez admirou 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 identificar e gerir estruturas importantes, como tanques de armazenamento, condutas e instalações 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 neste caso, pois permite detetar objetos vistos de vários ângulos, algo frequente nas imagens aéreas. A precisão é essencial para acompanhar zonas industriais, gerir impactos ambientais e garantir a manutenção adequada das infraestruturas. As OBB tornam 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 Ultralytics YOLO11 pode ajudar os planeadores a monitorizar e gerir as infraestruturas que mantêm as cidades a funcionar sem problemas.
Fig. 2. Utilização do Ultralytics YOLO11 para detetar tanques de armazenamento em imagens aéreas.
Inspeção de painéis solares com drones, Ultralytics YOLO11 e IA de edge#
À medida que as energias renováveis e inovações como os parques solares se tornam mais populares, as inspeções regulares ganham importância. É necessário verificar os painéis solares para garantir que funcionam de forma eficiente. Com o tempo, problemas como fissuras, acumulação de sujidade ou desalinhamento podem reduzir o seu desempenho. As inspeções de rotina ajudam a detetar estes problemas atempadamente, permitindo realizar a manutenção necessária para que continuem a funcionar corretamente.
Por exemplo, os painéis solares podem ser inspecionados quanto a danos utilizando drones integrados com IA de edge e o Ultralytics YOLO11. A análise de imagens no edge confere maior precisão e eficiência ao processo de inspeção. Devido ao movimento e à perspetiva do drone, as imagens de vigilância podem frequentemente captar os painéis solares a partir de vários ângulos. Nestes casos, a deteção com OBB do YOLO11 pode ajudar os drones a identificar os painéis solares com precisão.
O Ultralytics YOLO11 pode fornecer informações para a gestão de frotas#
Os portos e as docas movimentam centenas de navios por semana, e gerir uma frota tão grande pode ser desafiante. A dificuldade aumenta ao analisar navios em imagens aéreas, pois estes aparecem frequentemente em ângulos diferentes. É aqui que o suporte do Ultralytics YOLO11 para a deteção com OBB se torna útil.
A deteção com OBB permite ao modelo detetar navios em vários ângulos com maior precisão do que as caixas retangulares padrão. Ao utilizar o Ultralytics YOLO11 com OBB, as empresas de transporte marítimo podem identificar mais facilmente a localização e o estado da sua frota, acompanhando detalhes importantes como os movimentos da frota e a logística da cadeia de abastecimento. Estas soluções baseadas em visão ajudam a otimizar rotas, reduzir atrasos e melhorar a gestão geral da frota nas rotas marítimas.
Fig. 3. Utilização do Ultralytics YOLO11 para detetar navios e portos em ângulo.
Ultralytics YOLO11 para programadores de IA: deteção de caixas delimitadoras orientadas#
Se és um programador de IA e queres utilizar o YOLO11 para deteção com OBB, existem duas opções simples para começar. Se te sentes à vontade a trabalhar com código, o pacote Python da Ultralytics é uma excelente escolha. Se preferes uma solução fácil de utilizar, sem código e com capacidades de treino na cloud, o Ultralytics HUB é uma plataforma interna concebida precisamente para isso. Para obteres mais detalhes, consulta o nosso guia sobre treino e implementação do Ultralytics YOLO11 utilizando o Ultralytics HUB.
Agora que vimos exemplos de onde o suporte do YOLO11 para OBB pode ser aplicado, vamos explorar o pacote Python da Ultralytics e ver como podes executar inferências e treinar modelos personalizados utilizando-o.
Execução de inferências com o Ultralytics YOLO11#
Primeiro, para utilizar o YOLO11 com Python, precisas de instalar o pacote da Ultralytics. Consoante as tuas preferências, podes optar por instalá-lo utilizando pip, conda ou Docker. Para obteres instruções passo a passo, consulta o nosso Guia de instalação da Ultralytics. Se encontrares dificuldades durante a instalação, o nosso Guia de problemas comuns oferece sugestões úteis para a resolução de problemas.
Depois de instalares o pacote da Ultralytics, trabalhar com o YOLO11 é extremamente simples. Executar uma inferência refere-se ao processo de utilizar um modelo treinado para fazer previsões em novas imagens, como detetar objetos com OBB em tempo real. Isto é diferente do treino do modelo, que consiste em ensinar o modelo a reconhecer novos objetos ou a melhorar o seu desempenho em tarefas específicas. A inferência é utilizada quando queres aplicar o modelo a dados que ainda não foram vistos.
O exemplo abaixo explica como carregar um modelo e utilizá-lo para prever caixas delimitadoras orientadas numa imagem. Para obteres exemplos mais detalhados e sugestões avançadas de utilização, consulta a documentação oficial da Ultralytics para conheceres as melhores práticas e obteres instruções adicionais.
Fig. 4. Um fragmento de código que demonstra a execução de inferências com o Ultralytics YOLO11.
Treino de um modelo Ultralytics YOLO11 personalizado#
Treinar um modelo Ultralytics YOLO11 permite ajustar o seu desempenho para conjuntos de dados e tarefas específicos, como a deteção de objetos com caixas delimitadoras orientadas. Embora modelos pré-treinados como o YOLO11 possam ser utilizados para a deteção geral de objetos, treinar um modelo personalizado é essencial quando precisas que o modelo detete objetos únicos ou otimize o desempenho num conjunto de dados específico.
No fragmento de código abaixo, apresentamos os passos para treinar um modelo Ultralytics YOLO11 para deteção com OBB.
Primeiro, o modelo é inicializado utilizando pesos pré-treinados específicos para OBB do YOLO11 (yolo11n-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 das imagens de treino e o hardware onde o treino será executado, como CPU ou GPU. Depois do treino, o desempenho do modelo é validado para verificar métricas como precisão e perda.
Utilizando 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 através da funcionalidade de exportação.
Fig. 5. Um exemplo de treino do Ultralytics YOLO11 para deteção de objetos com OBB.
O caminho para os avanços de IA do Ultralytics YOLO11#
O Ultralytics YOLO11 leva a deteção de objetos a um nível superior com o seu suporte para caixas delimitadoras orientadas. Ao conseguir detetar objetos em diferentes ângulos, o YOLO11 pode ser utilizado em várias aplicações de diferentes setores. Por exemplo, adapta-se perfeitamente a setores como o planeamento urbano, a energia e o transporte marítimo, nos quais a precisão é crucial para tarefas como inspeções de painéis solares ou monitorização de frotas. Com um desempenho mais rápido e uma precisão melhorada, o YOLO11 pode ajudar os programadores de IA a resolver desafios do mundo real.
À medida que a IA é adotada e integrada de forma mais generalizada nas nossas vidas quotidianas, modelos como o Ultralytics YOLO11 irão moldar o futuro das soluções de IA.
Para conheceres o potencial da IA de visão, junta-te à nossa crescente comunidade e explora o nosso repositório no GitHub. Estamos a impulsionar a inovação ao reinventar setores como os cuidados de saúde e os carros autónomos.
