Как использовать Ultralytics YOLO11 для обнаружения объектов OBB

Ежегодное гибридное мероприятие от Ultralytics, YOLO Vision 2024 (YV24), было посвящено обсуждению последних прорывов в области ИИ и компьютерного зрения. Это был отличный повод представить нашу новейшую модель, Ultralytics YOLO11. Модель поддерживает те же задачи компьютерного зрения, что и Ultralytics YOLOv8, поэтому переход на новую модель для тебя будет простым.

Предположим, ты использовал YOLOv8 для детекции объектов с помощью ориентированных ограничивающих рамок (OBB), чтобы находить объекты под разными углами. Теперь ты можешь переключиться на YOLO11, внеся всего несколько небольших изменений в свой код, и воспользоваться улучшениями YOLO11, начиная от повышенной точности и эффективности и заканчивая скоростью обработки. Если ты еще не использовал модели, подобные YOLO11, то OBB-детекция — это отличный пример того, как YOLO11 может применяться в различных отраслях, предлагая практические решения, которые приносят реальную пользу.

В этой статье мы рассмотрим, что такое OBB-детекция объектов, где она может применяться и как использовать YOLO11 для детекции OBB. Мы также разберем, как новые функции YOLO11 могут улучшить эти процессы и как запускать инференс и обучать кастомные модели, чтобы максимально эффективно использовать ее возможности в OBB-детекции.

Link to this sectionФункции YOLO11 следующего поколения включают такие задачи, как OBB-детекция объектов#

OBB-детекция объектов развивает традиционную детекцию объектов, позволяя распознавать объекты под разными углами. В отличие от обычных ограничивающих рамок, которые всегда выровнены по осям изображения, OBB вращаются, чтобы соответствовать ориентации объекта. OBB-детекция объектов может использоваться для анализа аэрофотоснимков или спутниковых снимков, где объекты не всегда расположены ровно. В таких отраслях, как городское планирование, энергетика и транспорт, возможность точно определять объекты под углом, такие как здания, транспортные средства или инфраструктура, может стать фундаментом для приложений компьютерного зрения, приносящих ощутимую пользу.

Рис. 1. Сравнение обычных ограничивающих рамок и ориентированных ограничивающих рамок.

YOLO11 поддерживает OBB-детекцию и была обучена на датасете DOTA v1.0 для обнаружения таких объектов, как самолеты, корабли и резервуары для хранения, с разных ракурсов. YOLO11 поставляется в нескольких вариантах моделей, чтобы удовлетворить различные потребности, включая YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) и YOLO11x-obb (Extra Large). Каждая модель отличается размером и предлагает разный уровень скорости, точности и вычислительной мощности. Ты можешь выбрать модель, которая обеспечивает нужный баланс скорости и точности для твоей задачи.

Link to this sectionВарианты использования YOLO11, которые предлагают новый взгляд на детекцию#

Возможности YOLO11 по детекции объектов, особенно поддержка ориентированных ограничивающих рамок, повышают точность в различных отраслях. Далее мы рассмотрим несколько примеров того, как YOLO11 и OBB-детекция могут быть использованы в реальных ситуациях, чтобы сделать процессы более эффективными, точными и простыми в управлении в разных областях.

Link to this sectionГородское планирование и мониторинг инфраструктуры с помощью YOLO11#

Если ты когда-либо восхищался дизайном и планировкой города, то это заслуга детальной работы по городскому планированию и мониторингу инфраструктуры. Один из многих аспектов мониторинга инфраструктуры — это выявление и управление важными объектами, такими как резервуары для хранения, трубопроводы и промышленные площадки. YOLO11 может помочь городским планировщикам анализировать аэрофотоснимки, чтобы быстро и точно обнаруживать эти критически важные компоненты.

OBB-детекция объектов здесь особенно полезна, поскольку она позволяет обнаруживать объекты, видимые под разными углами (что часто случается с аэрофотоснимками). Точность здесь жизненно важна для отслеживания промышленных зон, управления воздействием на окружающую среду и обеспечения надлежащего обслуживания инфраструктуры. OBB делает процесс детекции более надежным, помогая планировщикам принимать обоснованные решения относительно развития города, безопасности и устойчивого развития. Использование YOLO11 поможет тебе мониторить и управлять инфраструктурой, которая обеспечивает бесперебойную работу городов.

Рис. 2. Использование YOLO11 для обнаружения резервуаров для хранения на аэрофотосъемке.

Link to this sectionИнспекция солнечных панелей с помощью дронов, YOLO11 и периферийного ИИ#

По мере того как возобновляемая энергия и инновации, такие как солнечные электростанции, становятся все популярнее, регулярные инспекции становятся все важнее. Солнечные панели нужно проверять, чтобы убедиться, что они работают эффективно. Со временем такие проблемы, как трещины, скопление грязи или перекосы, могут снизить их производительность. Плановые проверки помогают выявить эти проблемы на ранней стадии, поэтому можно провести техническое обслуживание, чтобы они работали бесперебойно.

Например, солнечные панели можно проверять на наличие повреждений с помощью дронов, интегрированных с периферийным ИИ и YOLO11. Анализ изображений на периферии делает процесс инспекции более точным и эффективным. Из-за движения и ракурса дрона видеосъемка может часто захватывать солнечные панели под разными углами. В таких случаях OBB-детекция в YOLO11 поможет дронам точно идентифицировать солнечные панели.

Link to this sectionYOLO11 может предоставить аналитику для управления автопарком#

Порты и гавани обслуживают сотни судов каждую неделю, и управление таким большим флотом может быть непростой задачей. Дополнительная сложность возникает при анализе судов на аэрофотоснимках; суда часто появляются под разными углами. Именно здесь пригодится поддержка YOLO11 для OBB-детекции.

OBB-детекция позволяет модели определять суда под разными углами точнее, чем стандартные прямоугольные рамки. Используя YOLO11 с OBB, судоходные компании могут легче отслеживать местоположение и состояние своего флота, контролируя важные детали, такие как движение судов и логистика цепочек поставок. Такие решения с поддержкой компьютерного зрения помогают оптимизировать маршруты, сокращать задержки и улучшать общее управление флотом на морских путях.

Рис. 3. Использование YOLO11 для обнаружения судов и гаваней под углом.

Link to this sectionYOLO11 для ИИ-разработчиков: Детекция ориентированных ограничивающих рамок#

Если ты ИИ-разработчик и хочешь использовать YOLO11 для OBB-детекции, есть два простых варианта для начала. Если тебе удобно работать с кодом, пакет Ultralytics Python — отличный выбор. Если ты предпочитаешь удобное решение без кода с возможностями облачного обучения, Ultralytics HUB — это наша собственная платформа, созданная именно для этого. Для получения дополнительной информации ты можешь ознакомиться с нашим руководством по обучению и развертыванию Ultralytics YOLO11 с помощью Ultralytics HUB.

Теперь, когда мы увидели примеры того, где можно применить поддержку OBB в YOLO11, давай изучим пакет Ultralytics Python и посмотрим, как ты можешь запускать инференс и обучать кастомные модели с его помощью.

Link to this sectionЗапуск инференса с помощью YOLO11#

Во-первых, чтобы использовать YOLO11 с Python, тебе нужно установить пакет Ultralytics. В зависимости от своих предпочтений ты можешь установить его с помощью pip, conda или Docker. Пошаговые инструкции ты найдешь в нашем Руководстве по установке Ultralytics. Если во время установки возникнут проблемы, наше Руководство по распространенным проблемам предлагает полезные советы по устранению неполадок.

После установки пакета Ultralytics работать с YOLO11 очень просто. Запуск инференса — это процесс использования обученной модели для получения предсказаний на новых изображениях, например, для обнаружения объектов с OBB в реальном времени. Это отличается от обучения модели, когда ты учишь модель распознавать новые объекты или улучшаешь ее производительность в конкретных задачах. Инференс используется, когда ты хочешь применить модель к новым данным.

В примере ниже показано, как загрузить модель и использовать ее для предсказания ориентированных ограничивающих рамок на изображении. Для получения более подробных примеров и советов по продвинутому использованию обязательно загляни в официальную документацию Ultralytics, где ты найдешь лучшие практики и дальнейшие инструкции.

Рис. 4. Фрагмент кода, демонстрирующий запуск инференса с использованием YOLO11.

Link to this sectionОбучение пользовательской модели YOLO11#

Обучение модели YOLO11 означает, что ты можешь донастроить её производительность на конкретных наборах данных и задачах, таких как обнаружение объектов с помощью ориентированных ограничивающих рамок (OBB). Хотя предварительно обученные модели, такие как YOLO11, можно использовать для общего обнаружения объектов, обучение собственной модели необходимо, когда тебе нужно, чтобы модель обнаруживала уникальные объекты или оптимизировала производительность на конкретном наборе данных.

В фрагменте кода ниже мы рассматриваем шаги по обучению модели YOLO11 для OBB-детекции.

Сначала модель инициализируется с использованием предварительно обученных весов YOLO11, специфичных для OBB (yolo11n-obb.pt). Затем используется функция обучения для тренировки модели на собственном наборе данных с параметрами, такими как файл конфигурации набора данных, количество циклов обучения, размер изображения для обучения и оборудование для запуска обучения (например, CPU или GPU). После обучения производительность модели проверяется для контроля таких метрик, как точность и потери.

Используя обученную модель, ты можешь запускать логические выводы на новых изображениях, чтобы обнаруживать объекты с помощью OBB и визуализировать их. Кроме того, обученную модель можно конвертировать в форматы, такие как ONNX, для развертывания с использованием функции экспорта.

Рис. 5. Пример обучения YOLO11 для OBB-детекции объектов.

Link to this sectionПуть развития ИИ-технологий с YOLO11#

Ultralytics YOLO11 выводит обнаружение объектов на новый уровень благодаря поддержке ориентированных ограничивающих рамок. Имея возможность обнаруживать объекты под разными углами, YOLO11 может использоваться для различных приложений в разных отраслях. Например, это идеальный вариант для таких сфер, как городское планирование, энергетика и логистика, где точность критически важна для таких задач, как инспекция солнечных панелей или мониторинг флота. Благодаря более высокой производительности и улучшенной точности YOLO11 может помочь тебе, как ИИ-разработчику, решать реальные задачи.

По мере того как ИИ становится все более широко распространенным и интегрируется в нашу повседневную жизнь, модели, такие как YOLO11, будут формировать будущее ИИ-решений.

Чтобы узнать о потенциале ИИ в компьютерном зрении, присоединяйся к нашему растущему сообществу и исследуй наш GitHub-репозиторий. Мы движем инновации, преобразуя такие сектора, как здравоохранение и беспилотные автомобили.