Como usar o Ultralytics YOLO11 para deteção de objetos OBB
Compreende como o Ultralytics YOLO11 pode melhorar a deteção de objetos usando 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), concentrou-se em discutir os mais recentes avanços em IA e visão computacional. Esta foi a ocasião perfeita para apresentar nosso mais novo modelo, o Ultralytics YOLO11. O modelo suporta as mesmas tarefas de visão computacional que o Ultralytics YOLOv8, tornando a transição para o novo modelo fácil para os usuários.
Suponha que você estivesse usando o YOLOv8 para detecção de objetos com caixas delimitadoras orientadas (OBB) para detectar objetos em vários ângulos. Agora você pode mudar para o YOLO11 com algumas pequenas alterações em seu código e se beneficiar das melhorias do YOLO11, que variam de maior precisão e eficiência até velocidade de processamento. Caso você ainda não tenha usado modelos como o YOLO11, a detecção OBB é um ótimo exemplo de como o YOLO11 pode ser aplicado em vários setores, oferecendo soluções práticas que causam um impacto real.
Neste artigo, veremos o que é a detecção de objetos OBB, onde ela pode ser aplicada e como usar o YOLO11 para detectar OBB. Também percorreremos 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.
Link to this sectionOs recursos da próxima geração do YOLO11 incluem tarefas como a detecção de objetos OBB#
A detecção de objetos OBB leva a detecção de objetos tradicional um passo adiante ao detectar objetos em diferentes ângulos. Ao contrário das caixas delimitadoras regulares que permanecem alinhadas com os 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 onde os objetos nem sempre estão retos. Em setores como planejamento urbano, energia e transporte, a capacidade de detectar com precisão objetos angulados, como edifícios, veículos ou infraestrutura, pode formar a base de aplicações de visão computacional com benefícios tangíveis.
Fig 1. Comparando caixas delimitadoras normais e caixas delimitadoras orientadas.
O YOLO11 suporta a detecção 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 vem 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 níveis variados de velocidade, precisão e poder computacional. Os usuários podem escolher o modelo que oferece o equilíbrio certo entre velocidade e precisão para sua aplicação.
Link to this sectionCasos de uso do YOLO11 que trazem um novo ângulo para a detecção#
As capacidades de detecção de objetos do YOLO11, especialmente seu suporte para caixas delimitadoras orientadas, trazem maior precisão para vários setores. A seguir, 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.
Link to this sectionPlanejamento urbano e monitoramento de infraestrutura com o YOLO11#
Se você já admirou o design e o layout de uma cidade, isso se deve ao trabalho detalhado do planejamento urbano e do monitoramento de infraestrutura. Um dos muitos aspectos do monitoramento de infraestrutura é identificar e gerenciar estruturas importantes, como tanques de armazenamento, oleodutos e locais industriais. O YOLO11 pode ajudar os planejadores urbanos a analisar imagens aéreas para detectar esses componentes críticos de forma rápida e precisa.
A detecção de objetos com caixa delimitadora orientada é particularmente útil aqui porque permite a detecção de objetos vistos de vários ângulos (o que geralmente ocorre com imagens aéreas). A precisão é vital aqui para acompanhar zonas industriais, gerenciar impactos ambientais e garantir que a infraestrutura seja mantida adequadamente. A 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.
Fig 2. Usando o YOLO11 para detectar tanques de armazenamento em filmagens aéreas.
Link to this sectionInspeção de painéis solares com drones, YOLO11 e Edge AI#
À medida que a energia renovável e inovações como parques solares se tornam mais populares, as inspeções regulares estão se tornando mais importantes. Os painéis solares precisam ser verificados para garantir que estejam funcionando com eficiência. Com o tempo, problemas como rachaduras, acúmulo de sujeira ou desalinhamento podem reduzir seu desempenho. Inspeções de rotina ajudam a detectar esses problemas precocemente, para que a manutenção possa ser feita a fim de mantê-los funcionando sem problemas.
Por exemplo, os painéis solares podem ser inspecionados quanto a danos usando drones integrados com Edge AI e o YOLO11. Analisar imagens na borda (edge) traz mais precisão e eficiência ao processo de inspeção. Devido ao movimento e à perspectiva do drone, as filmagens 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.
Link to this sectionO YOLO11 pode fornecer insights para o gerenciamento de frotas#
Portos e marinas lidam com 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 se torna útil.
A detecção OBB torna possível para o modelo detectar navios em vários ângulos com mais precisão do que caixas retangulares padrão. Ao usar o YOLO11 com OBB, as empresas de navegação podem identificar mais facilmente a localização e a condição de sua frota, acompanhando detalhes importantes como movimentos da frota e logística da cadeia de suprimentos. Essas soluções habilitadas por visão ajudam a otimizar rotas, reduzir atrasos e melhorar o gerenciamento geral da frota nas rotas marítimas.
Fig 3. Usando o YOLO11 para detectar navios e portos em um ângulo.
Link to this sectionYOLO11 para desenvolvedores de IA: Detectando caixas delimitadoras orientadas#
Se você é um desenvolvedor de IA procurando usar o YOLO11 para detecção OBB, existem duas opções fáceis para começar. Se você se sente confortável trabalhando com código, o pacote Python da Ultralytics é uma ótima escolha. Se você prefere uma solução amigável, sem código, com capacidades de treinamento na nuvem, o Ultralytics HUB é uma plataforma interna projetada exatamente para isso. Para mais detalhes, você pode dar uma olhada em nosso guia sobre treinamento e implantação 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 da Ultralytics e ver como você pode executar inferências e treinar modelos personalizados usando-o.
Link to this sectionExecutando inferências usando YOLO11#
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 encontrar algum desafio durante a instalação, nosso Guia de Problemas Comuns oferece dicas úteis de solução de problemas.
Depois de instalar o pacote Ultralytics, trabalhar com o YOLO11 é extremamente 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 de 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 orienta você sobre 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 conferir a documentação oficial da Ultralytics para obter as melhores práticas e mais instruções.
Fig 4. Um trecho de código demonstrando a execução de inferências usando o YOLO11.
Link to this sectionTreinando um modelo YOLO11 personalizado#
Treinar um modelo YOLO11 significa que você pode ajustar seu desempenho em conjuntos de dados e tarefas específicos, como a detecção de objetos com caixas delimitadoras orientadas. 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 únicos ou otimize o desempenho em um conjunto de dados 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 específicos para OBB do YOLO11 (yolo11n-obb.pt). Em seguida, uma função de treinamento 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 treinamento, o tamanho da imagem de treinamento e o hardware para executar o treinamento (por exemplo, CPU ou GPU). Após o treinamento, 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.
Fig 5. Um exemplo de treinamento do YOLO11 para detecção de objetos OBB.
Link to this sectionO caminho a seguir para os avanços de IA do 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 em nossas vidas diárias, modelos como o YOLO11 moldarão o futuro das soluções de IA.
Para aprender sobre o potencial da IA de visão, junte-se à nossa comunidade crescente e explore nosso repositório GitHub. Estamos impulsionando a inovação reinventando setores como saúde e carros autônomos.
