8 октября 2024 г.
Узнайте, как Ultralytics YOLO11 может улучшить обнаружение объектов с помощью ориентированных ограничивающих рамок (OBB) и для каких приложений эта задача компьютерного зрения идеально подходит.
Ежегодное гибридное мероприятие Ultralytics, YOLO Vision 2024 (YV24), было посвящено обсуждению последних прорывов в области ИИ и компьютерного зрения. Это была прекрасная возможность представить нашу новейшую модель, Ultralytics YOLO11. Модель поддерживает те же задачи компьютерного зрения, что и Ultralytics YOLOv8, что делает переход на новую модель простым для пользователей.
Предположим, вы использовали YOLOv8 для обнаружения объектов с ориентированными ограничивающими рамками (OBB) для обнаружения объектов под разными углами. Теперь вы можете перейти на YOLO11, внеся лишь незначительные изменения в свой код, и воспользоваться улучшениями YOLO11, начиная с повышения точности и эффективности и заканчивая скоростью обработки. Если вы еще не использовали модели, такие как YOLO11, обнаружение OBB — отличный пример того, как YOLO11 можно применять в различных отраслях, предлагая практические решения, которые оказывают реальное влияние.
В этой статье мы рассмотрим, что такое обнаружение OBB-объектов, где его можно применять и как использовать YOLO11 для обнаружения OBB. Мы также рассмотрим, как новые функции YOLO11 могут улучшить эти процессы, а также как запускать логические выводы и обучать пользовательские модели, чтобы максимально использовать возможности обнаружения OBB.
Обнаружение объектов OBB делает традиционное обнаружение объектов на шаг вперед, обнаруживая объекты под разными углами. В отличие от обычных ограничивающих рамок, которые остаются выровненными по осям изображения, OBB поворачиваются, чтобы соответствовать ориентации объекта. Обнаружение объектов OBB можно использовать для анализа аэрофотоснимков или спутниковых снимков, где объекты не всегда расположены прямо. В таких отраслях, как градостроительство, энергетика и транспорт, возможность точно обнаруживать объекты под углом, такие как здания, транспортные средства или инфраструктура, может сформировать основу приложений компьютерного зрения с ощутимыми преимуществами.
YOLO11 поддерживает обнаружение OBB и была обучена на наборе данных DOTA v1.0 для обнаружения таких объектов, как самолеты, корабли и резервуары для хранения, с разных точек зрения. YOLO11 поставляется в нескольких вариантах моделей для удовлетворения различных потребностей, включая YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) и YOLO11x-obb (Extra Large). Каждая модель предлагает разные размеры с разными уровнями скорости, точности и вычислительной мощности. Пользователи могут выбрать модель, которая предлагает правильный баланс скорости и точности для их приложения.
Возможности обнаружения объектов YOLO11, особенно поддержка ориентированных ограничивающих прямоугольников, обеспечивают большую точность в различных отраслях. Далее мы рассмотрим несколько примеров того, как YOLO11 и обнаружение OBB можно использовать в реальных ситуациях, чтобы сделать процессы более эффективными, точными и простыми в управлении в различных областях.
Если вы когда-либо восхищались дизайном и планировкой города, это благодаря детальной работе по городскому планированию и мониторингу инфраструктуры. Одним из многих аспектов мониторинга инфраструктуры является выявление и управление важными сооружениями, такими как резервуары для хранения, трубопроводы и промышленные объекты. YOLO11 может помочь градостроителям анализировать аэрофотоснимки для быстрого и точного обнаружения этих критически важных компонентов.
Обнаружение объектов с помощью ориентированных ограничивающих рамок особенно полезно здесь, поскольку оно позволяет обнаруживать объекты, рассматриваемые под разными углами (что часто встречается при аэрофотосъемке). Точность здесь жизненно важна для отслеживания промышленных зон, управления воздействием на окружающую среду и обеспечения надлежащего обслуживания инфраструктуры. OBB делает процесс обнаружения более надежным, помогая планировщикам принимать обоснованные решения о росте, безопасности и устойчивости города. Использование YOLO11 может помочь планировщикам отслеживать и управлять инфраструктурой, обеспечивающей бесперебойную работу городов.
По мере того, как возобновляемая энергия и инновации, такие как солнечные фермы, становятся все более популярными, регулярные проверки становятся все более важными. Необходимо проверять солнечные панели, чтобы убедиться, что они работают эффективно. Со временем такие вещи, как трещины, скопление грязи или смещение, могут снизить их производительность. Регулярные проверки помогают выявить эти проблемы на ранней стадии, чтобы можно было провести техническое обслуживание и обеспечить их бесперебойную работу.
Например, солнечные панели можно проверять на наличие повреждений с помощью дронов, интегрированных с периферийным ИИ и YOLO11. Анализ изображений на периферии обеспечивает большую точность и эффективность процесса проверки. Из-за движения и перспективы дрона отснятый материал часто может захватывать солнечные панели под разными углами. В этих случаях обнаружение OBB в YOLO11 может помочь дронам точно идентифицировать солнечные панели.
Порты и гавани обрабатывают сотни судов каждую неделю, и управление таким большим флотом может быть сложной задачей. Дополнительная сложность возникает при анализе судов на аэрофотоснимках; суда часто отображаются под разными углами. Именно здесь пригодится поддержка YOLO11 для обнаружения OBB.
Обнаружение OBB позволяет модели более точно обнаруживать корабли под разными углами, чем стандартные прямоугольные рамки. Используя YOLO11 с OBB, судоходные компании могут легче определять местоположение и состояние своего флота, отслеживая важные детали, такие как перемещение флота и логистика цепочки поставок. Такие решения, основанные на машинном зрении, помогают оптимизировать маршруты, сократить задержки и улучшить общее управление флотом на судоходных маршрутах.
Если вы AI-разработчик, желающий использовать YOLO11 для обнаружения OBB, есть два простых способа начать работу. Если вам удобно работать с кодом, отличным выбором будет пакет Ultralytics Python. Если вы предпочитаете удобное решение без кода с возможностями облачного обучения, Ultralytics HUB — это внутренняя платформа, разработанная специально для этого. Более подробную информацию можно найти в нашем руководстве по обучению и развертыванию Ultralytics YOLO11 с использованием Ultralytics HUB.
Теперь, когда мы увидели примеры того, где можно применить поддержку OBB в YOLO11, давайте изучим пакет Ultralytics Python и посмотрим, как вы можете запускать инференс и обучать пользовательские модели с его помощью.
Для начала, чтобы использовать YOLO11 с Python, вам потребуется установить пакет Ultralytics. В зависимости от ваших предпочтений, вы можете установить его с помощью pip, conda или Docker. Пошаговые инструкции можно найти в нашем Руководстве по установке Ultralytics. Если у вас возникнут какие-либо трудности во время установки, наши Рекомендации по устранению распространенных проблем предложат полезные советы по устранению неполадок.
После установки пакета Ultralytics работа с YOLO11 становится невероятно простой. Выполнение инференса относится к процессу использования обученной модели для прогнозирования на новых изображениях, например, для обнаружения объектов с помощью OBB в режиме реального времени. Это отличается от обучения модели, которое происходит, когда вы учите модель распознавать новые объекты или улучшать ее производительность в конкретных задачах. Инференс используется, когда вы хотите применить модель к невидимым данным.
В примере ниже показано, как загрузить модель и использовать ее для прогнозирования ориентированных ограничивающих рамок на изображении. Для получения более подробных примеров и советов по расширенному использованию обязательно ознакомьтесь с официальной документацией Ultralytics, чтобы узнать о лучших практиках и дальнейших инструкциях.
Обучение модели YOLO11 означает, что вы можете точно настроить ее производительность на определенных наборах данных и задачах, таких как обнаружение объектов с ориентированными ограничивающими рамками. Хотя предварительно обученные модели, такие как YOLO11, можно использовать для общего обнаружения объектов, обучение пользовательской модели необходимо, когда вам нужно, чтобы модель обнаруживала уникальные объекты или оптимизировала производительность на определенном наборе данных.
В приведенном ниже фрагменте кода мы рассмотрим шаги по обучению модели YOLO11 для обнаружения OBB.
Во-первых, модель инициализируется с использованием предварительно обученных весов YOLO11 OBB (yolo11n-obb.pt). Затем функция обучения используется для обучения модели на пользовательском наборе данных с такими параметрами, как файл конфигурации набора данных, количество циклов обучения, размер обучающего изображения и оборудование, на котором будет выполняться обучение (например, ЦП или графический процессор). После обучения производительность модели проверяется для оценки таких показателей, как точность и потери.
Используя обученную модель, вы можете запускать инференс на новых изображениях, чтобы обнаруживать объекты с помощью OBB и визуализировать их. Кроме того, обученная модель может быть преобразована в такие форматы, как ONNX для развертывания с использованием функции экспорта.
Ultralytics YOLO11 выводит обнаружение объектов на новый уровень благодаря поддержке ориентированных ограничивающих рамок. Благодаря возможности обнаруживать объекты под разными углами, YOLO11 можно использовать в различных приложениях в разных отраслях. Например, он идеально подходит для таких отраслей, как градостроительство, энергетика и судоходство, где точность имеет решающее значение для таких задач, как проверка солнечных панелей или мониторинг автопарка. Благодаря более высокой производительности и повышенной точности, YOLO11 может помочь разработчикам ИИ решать реальные задачи.
По мере того, как ИИ становится все более широко распространенным и интегрированным в нашу повседневную жизнь, модели, такие как YOLO11, будут формировать будущее решений на основе ИИ.
Чтобы узнать о потенциале Vision AI, присоединяйтесь к нашему растущему сообществу и изучите наш репозиторий GitHub. Мы стимулируем инновации, преобразуя такие сектора, как здравоохранение и автомобили с автоматическим управлением.
.webp)