Как использовать Ultralytics YOLO11 для обнаружения объектов OBB
Разберись, как Ultralytics YOLO11 может улучшить обнаружение объектов с помощью ориентированных ограничивающих рамок (OBB) и для каких задач компьютерного зрения это подходит лучше всего.
Ежегодное гибридное мероприятие Ultralytics, YOLO Vision 2024 (YV24), было посвящено обсуждению последних прорывов в области искусственного интеллекта и компьютерного зрения. Это стало идеальной возможностью представить нашу новейшую модель — Ultralytics YOLO11. Модель поддерживает те же задачи компьютерного зрения, что и Ultralytics YOLOv8, что делает переход на новую модель для пользователей очень простым.
Допустим, ты использовал YOLOv8 для обнаружения объектов с помощью ориентированных ограничивающих прямоугольников (OBB), чтобы находить объекты под разными углами. Теперь ты можешь переключиться на YOLO11, внеся всего несколько небольших изменений в свой код, и воспользоваться преимуществами YOLO11, начиная с повышенной точности и эффективности и заканчивая скоростью обработки. Если тебе еще не доводилось использовать такие модели, как YOLO11, детекция OBB — отличный пример того, как можно применять YOLO11 в самых разных отраслях, предлагая практические решения, которые приносят реальную пользу.
В этой статье мы рассмотрим, что такое OBB-обнаружение объектов, где оно применяется и как использовать Ultralytics YOLO11 для обнаружения OBB. Мы также разберем, как новые функции YOLO11 могут улучшить эти процессы, а также как запускать инференс и обучать кастомные модели, чтобы извлечь максимум пользы из возможностей OBB-обнаружения.
Возможности нового поколения Ultralytics YOLO11 включают такие задачи, как обнаружение объектов OBB#
Обнаружение объектов с помощью OBB делает шаг вперед по сравнению с традиционным обнаружением объектов, позволяя находить объекты под различными углами. В отличие от обычных прямоугольных боксов, которые остаются выровненными по осям изображения, OBB поворачиваются в соответствии с ориентацией объекта. Детекция OBB может использоваться для анализа аэрофотоснимков или спутниковых снимков, где объекты не всегда расположены прямо. В таких отраслях, как городское планирование, энергетика и транспорт, способность точно обнаруживать наклонные объекты, такие как здания, транспортные средства или элементы инфраструктуры, может стать основой для приложений компьютерного зрения с ощутимой пользой.
Рис. 1. Сравнение обычных ограничивающих прямоугольников и ориентированных ограничивающих прямоугольников.
YOLO11 поддерживает обнаружение OBB и была обучена на наборе данных DOTA v1.0 для детекции таких объектов, как самолеты, корабли и резервуары для хранения с различных ракурсов. YOLO11 выпускается в нескольких вариациях моделей, отвечающих различным потребностям, включая YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) и YOLO11x-obb (Extra Large). Каждая модель имеет свой размер и отличается уровнем скорости, точности и вычислительной мощности. Пользователи могут выбрать модель, которая обеспечивает оптимальный баланс скорости и точности для их задачи.
Варианты использования Ultralytics YOLO11, которые привносят новый взгляд на обнаружение#
Возможности обнаружения объектов в Ultralytics YOLO11, особенно поддержка ориентированных ограничивающих рамок, обеспечивают повышенную точность в различных отраслях. Далее мы рассмотрим несколько примеров того, как YOLO11 и OBB-обнаружение могут применяться в реальных условиях для повышения эффективности, точности и удобства управления процессами в различных сферах.
Городское планирование и мониторинг инфраструктуры с помощью Ultralytics YOLO11#
Если ты когда-нибудь восхищался дизайном и планировкой города, это заслуга детальной работы по городскому планированию и мониторингу инфраструктуры. Один из многих аспектов мониторинга инфраструктуры заключается в выявлении и управлении важными объектами, такими как резервуары для хранения, трубопроводы и промышленные площадки. Ultralytics 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, так как оно позволяет находить объекты, видимые под разными углами (что часто случается на аэрофотоснимках). Точность здесь крайне 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 развитии города, безопасности и экологичности. Использование Ultralytics YOLO11 может помочь планировщикам отслеживать инфраструктуру, которая обеспечивает бесперебойную работу городов, и управлять ею.
Рис. 2. Использование Ultralytics YOLO11 для обнаружения резервуаров для хранения на аэрофотоснимках.
Инспекция солнечных панелей с помощью дронов, Ultralytics YOLO11 и периферийного ИИ#
Поскольку возобновляемые источники энергии и такие инновации, как солнечные электростанции, становятся все более популярными, регулярные проверки приобретают все большее значение. Солнечные панели необходимо проверять, чтобы убедиться в их эффективной работе. Со временем такие факторы, как трещины, скопление грязи или смещение, могут снизить их производительность. Плановые осмотры помогают вовремя выявить эти проблемы, чтобы выполнить техническое обслуживание и обеспечить их бесперебойную работу.
Например, солнечные панели можно проверять на наличие повреждений с помощью дронов со встроенным периферийным ИИ и Ultralytics YOLO11. Анализ изображений на периферийных устройствах повышает точность и эффективность процесса инспекции. Из-за движения и ракурса дрона на кадрах видеонаблюдения солнечные панели часто могут быть сняты под разными углами. В таких случаях OBB-обнаружение в YOLO11 помогает дронам точно распознавать солнечные панели.
Ultralytics YOLO11 может предоставить полезную аналитику для управления автопарком#
Порты и гавани обрабатывают сотни судов каждую неделю, и управление столь крупным флотом может оказаться непростой задачей. Дополнительная сложность возникает при анализе судов на аэрофотоснимках; суда часто видны под разными углами. Здесь на помощь приходит поддержка обнаружения OBB в Ultralytics YOLO11.
Обнаружение OBB позволяет модели находить суда под различными углами с большей точностью, чем стандартные прямоугольные рамки. Используя Ultralytics YOLO11 с OBB, судоходные компании могут проще определять местоположение и состояние своего флота, отслеживая важные детали, такие как перемещения судов и логистика цепочки поставок. Такие решения на базе компьютерного зрения помогают оптимизировать маршруты, сокращать задержки и улучшать общее управление автопарком на судоходных маршрутах.
Рис. 3. Использование Ultralytics YOLO11 для обнаружения судов и гаваней под углом.
Ultralytics YOLO11 для разработчиков ИИ: обнаружение ориентированных ограничивающих рамок#
Если ты — разработчик ИИ, желающий использовать YOLO11 для OBB-детекции, есть два простых варианта для начала работы. Если тебе удобно работать с кодом, пакет Ultralytics для Python — отличный выбор. Если ты предпочитаешь удобное решение без кода с возможностями обучения в облаке, Ultralytics HUB — это собственная платформа, созданная специально для этого. Для получения подробной информации ты можешь ознакомиться с нашим руководством по обучению и развертыванию Ultralytics YOLO11 с использованием Ultralytics HUB.
Теперь, когда мы рассмотрели примеры применения OBB-поддержки YOLO11, давай изучим пакет Ultralytics для Python и посмотрим, как с его помощью можно запускать инференс и обучать кастомные модели.
Запуск инференса с использованием Ultralytics YOLO11#
Сначала для использования YOLO11 с Python тебе потребуется установить пакет Ultralytics. В зависимости от твоих предпочтений ты можешь установить его с помощью pip, conda или Docker. Пошаговые инструкции можно найти в нашем руководстве по установке Ultralytics. Если ты столкнешься с какими-либо трудностями при установке, наше руководство по частым проблемам предлагает полезные советы по устранению неполадок.
После установки пакета Ultralytics работать с YOLO11 становится невероятно просто. Запуск инференса означает процесс использования обученной модели для предсказания на новых изображениях — например, обнаружение объектов с помощью OBB в реальном времени. Это отличается от обучения модели, когда ты учишь модель распознавать новые объекты или улучшать ее производительность в определенных задачах. Инференс используется, когда ты хочешь применить модель к ранее невиданным данным.
В приведенном ниже примере показано, как загрузить модель и использовать ее для предсказания ориентированных ограничивающих прямоугольников на изображении. Более подробные примеры и советы по продвинутому использованию можно найти в официальной документации Ultralytics, где описаны лучшие практики и даны дальнейшие инструкции.
Рис. 4. Пример кода, демонстрирующий запуск инференса с помощью Ultralytics YOLO11.
Обучение кастомной модели Ultralytics YOLO11#
Обучение модели Ultralytics YOLO11 позволяет точнее настроить её производительность на определенных датасетах и задачах, таких как обнаружение объектов с помощью ориентированных ограничивающих рамок. Хотя предобученные модели, такие как YOLO11, подходят для общего обнаружения объектов, обучение кастомной модели необходимо, когда требуется находить уникальные объекты или оптимизировать производительность на конкретном датасете.
В приведенном ниже фрагменте кода мы рассматриваем шаги по обучению модели Ultralytics YOLO11 для обнаружения OBB.
Сначала модель инициализируется с использованием предобученных весов YOLO11, специфичных для OBB (yolo11n-obb.pt). Затем функция обучения используется для тренировки модели на кастомном датасете с такими параметрами, как файл конфигурации набора данных, количество циклов обучения, размер изображений для обучения и аппаратное обеспечение для запуска обучения (например, CPU или GPU). После обучения производительность модели валидируется для проверки таких метрик, как точность и потери.
Используя обученную модель, ты можешь запускать инференс на новых изображениях, чтобы обнаруживать объекты с помощью OBB и визуализировать их. Кроме того, обученную модель можно конвертировать в такие форматы, как ONNX, для деплоя с помощью функции экспорта.
Рис. 5. Пример обучения Ultralytics YOLO11 для обнаружения объектов OBB.
Путь вперед для развития ИИ с Ultralytics 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 распространенным и интегрируется в нашу повседневную жизнь, такие модели, как Ultralytics YOLO11, будут формировать будущее решений на базе ИИ.
Чтобы узнать о потенциале компьютерного зрения с ИИ, присоединяйся к нашему растущему сообществу и изучай наш репозиторий на GitHub. Мы стимулируем инновации, преобразуя такие сектора, как здравоохранение и беспилотные автомобили.
