Как использовать Ultralytics YOLO11 для обнаружения объектов с OBB

Ежегодное гибридное мероприятие Ultralytics — YOLO Vision 2024 (YV24) — было посвящено обсуждению последних достижений в области ИИ и компьютерного зрения. Это стало идеальным поводом представить нашу новейшую модель — Ultralytics YOLO11. Модель поддерживает те же задачи компьютерного зрения, что и Ultralytics YOLOv8, поэтому переход на новую модель не вызовет у пользователей затруднений.

Представь, что ты использовал YOLOv8 для обнаружения объектов с ориентированными ограничивающими рамками (OBB), чтобы обнаруживать объекты под разными углами. Теперь ты можешь перейти на YOLO11, внеся несколько небольших изменений в код, и воспользоваться улучшениями YOLO11: от повышенной точности и эффективности до более высокой скорости обработки. Если ты ещё не использовал модели вроде YOLO11, обнаружение с помощью OBB — отличный пример того, как можно применять YOLO11 в самых разных отраслях, предлагая практические решения, которые действительно меняют ситуацию.

В этой статье мы рассмотрим, что такое обнаружение объектов с помощью OBB, где его можно применять и как использовать Ultralytics YOLO11 для обнаружения объектов с помощью OBB. Мы также разберём, как новые функции YOLO11 могут улучшить эти процессы, а также как выполнять инференс и обучать собственные модели, чтобы максимально использовать возможности YOLO11 по обнаружению объектов с помощью OBB.

Функции Ultralytics YOLO11 нового поколения включают такие задачи, как обнаружение объектов с помощью OBB#

Обнаружение объектов с помощью OBB развивает традиционное обнаружение объектов, позволяя обнаруживать объекты под разными углами. В отличие от обычных ограничивающих рамок, которые выровнены по осям изображения, OBB поворачиваются в соответствии с ориентацией объекта. Обнаружение объектов с помощью OBB можно использовать для анализа аэрофотоснимков и спутниковых изображений, где объекты не всегда расположены прямо. В таких отраслях, как городское планирование, энергетика и транспорт, возможность точно обнаруживать объекты под углом, например здания, транспортные средства или инфраструктуру, может стать основой для приложений компьютерного зрения с ощутимой пользой.

Рис. 1. Сравнение обычных и ориентированных ограничивающих рамок.

YOLO11 поддерживает обнаружение с помощью OBB и обучена на датасете DOTA v1.0 для обнаружения таких объектов, как самолёты, корабли и резервуары для хранения, с разных ракурсов. YOLO11 представлена в нескольких вариантах моделей для разных задач, 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 по скорости, точности и требуемой вычислительной мощности. Ты можешь выбрать модель, которая обеспечивает оптимальный баланс скорости и точности для твоего приложения.

Варианты использования Ultralytics YOLO11, открывающие новый взгляд на обнаружение объектов#

Возможности Ultralytics YOLO11 по обнаружению объектов, особенно поддержка ориентированных ограничивающих рамок, повышают точность в самых разных отраслях. Далее мы рассмотрим несколько примеров того, как YOLO11 и обнаружение с помощью OBB можно использовать в реальных ситуациях, чтобы сделать процессы более эффективными, точными и удобными для управления в различных сферах.

Городское планирование и мониторинг инфраструктуры с помощью Ultralytics YOLO11#

Если ты когда-нибудь восхищался планировкой и устройством города, то это результат тщательной работы специалистов по городскому планированию и мониторингу инфраструктуры. Одним из многих аспектов мониторинга инфраструктуры является выявление и управление такими важными объектами, как резервуары для хранения, трубопроводы и промышленные площадки. Ultralytics YOLO11 помогает градостроителям быстро и точно анализировать аэрофотоснимки и обнаруживать эти критически важные компоненты.

Обнаружение объектов с ориентированными ограничивающими рамками особенно полезно в этом случае, поскольку позволяет обнаруживать объекты, снятые под разными углами, что часто бывает на аэрофотоснимках. Здесь крайне важна точность: она помогает отслеживать промышленные зоны, управлять воздействием на окружающую среду и обеспечивать надлежащее обслуживание инфраструктуры. OBB делает процесс обнаружения более надёжным, помогая специалистам по планированию принимать обоснованные решения о развитии города, его безопасности и устойчивости. Использование Ultralytics YOLO11 помогает контролировать инфраструктуру и управлять ею, обеспечивая бесперебойную работу городов.

Рис. 2. Использование Ultralytics YOLO11 для обнаружения резервуаров для хранения на аэрофотоснимках.

Проверка солнечных панелей с помощью дронов, Ultralytics YOLO11 и периферийного ИИ#

По мере того как возобновляемая энергетика и такие инновации, как солнечные электростанции, становятся всё популярнее, регулярные проверки приобретают всё большее значение. Солнечные панели необходимо проверять, чтобы убедиться в их эффективной работе. Со временем такие проблемы, как трещины, скопление грязи или смещение, могут снизить их производительность. Регулярные проверки помогают обнаружить эти проблемы на раннем этапе и своевременно провести обслуживание, чтобы панели продолжали работать исправно.

Например, солнечные панели можно проверять на наличие повреждений с помощью дронов, интегрированных с периферийным ИИ, и Ultralytics YOLO11. Анализ изображений на периферии повышает точность и эффективность процесса проверки. Из-за движения и ракурса дрона на кадрах наблюдения солнечные панели часто могут быть сняты под разными углами. В таких случаях обнаружение с помощью OBB в YOLO11 помогает дронам точно идентифицировать солнечные панели.

Ultralytics YOLO11 помогает получать данные для управления автопарком#

Порты и гавани каждую неделю обслуживают сотни кораблей, поэтому управление таким большим флотом может быть сложной задачей. Дополнительные трудности возникают при анализе кораблей на аэрофотоснимках: часто они видны под разными углами. Именно здесь оказывается полезной поддержка обнаружения с помощью OBB в Ultralytics YOLO11.

Обнаружение с помощью OBB позволяет модели точнее обнаруживать корабли под разными углами, чем стандартные прямоугольные рамки. Используя Ultralytics YOLO11 с OBB, судоходные компании могут проще определять местоположение и состояние своего флота, отслеживая такие важные сведения, как перемещения флота и логистика цепочек поставок. Такие решения на основе компьютерного зрения помогают оптимизировать маршруты, сокращать задержки и в целом улучшать управление флотом на морских маршрутах.

Рис. 3. Использование Ultralytics YOLO11 для обнаружения кораблей и гаваней под углом.

Ultralytics YOLO11 для разработчиков ИИ: обнаружение ориентированных ограничивающих рамок#

Если ты разработчик ИИ и хочешь использовать YOLO11 для обнаружения с помощью OBB, начать можно двумя простыми способами. Если тебе удобно работать с кодом, отличным выбором станет пакет Ultralytics для Python. Если ты предпочитаешь удобное решение без кода с возможностью облачного обучения, Ultralytics HUB — это внутренняя платформа, созданная именно для таких задач. Подробнее можно узнать в нашем руководстве по обучению и развёртыванию Ultralytics YOLO11 с помощью Ultralytics HUB.

Теперь, когда мы рассмотрели примеры применения поддержки OBB в YOLO11, давай изучим пакет Ultralytics для Python и посмотрим, как с его помощью выполнять инференс и обучать собственные модели.

Запуск инференса с использованием Ultralytics YOLO11#

Сначала установи пакет Ultralytics, чтобы использовать YOLO11 с Python. В зависимости от предпочтений ты можешь установить его с помощью pip, conda или Docker. Пошаговые инструкции приведены в нашем руководстве по установке Ultralytics. Если при установке возникнут проблемы, в руководстве по распространённым проблемам ты найдёшь полезные советы по их устранению.

После установки пакета Ultralytics работать с YOLO11 очень просто. Инференс — это процесс использования обученной модели для получения предсказаний на новых изображениях, например для обнаружения объектов с помощью OBB в реальном времени. Он отличается от обучения модели, в ходе которого модель учится распознавать новые объекты или повышать качество выполнения конкретных задач. Инференс используется, когда нужно применить модель к данным, которых она раньше не видела.

В примере ниже показано, как загрузить модель и использовать её для предсказания ориентированных ограничивающих рамок на изображении. Чтобы найти более подробные примеры и советы по расширенному использованию, обратись к официальной документации Ultralytics, где приведены рекомендации и дополнительные инструкции.

Рис. 4. Фрагмент кода, демонстрирующий выполнение инференса с помощью Ultralytics YOLO11.

Обучение собственной модели Ultralytics YOLO11#

Обучение модели Ultralytics YOLO11 позволяет донастроить её для конкретных датасетов и задач, например для обнаружения объектов с ориентированными ограничивающими рамками. Предварительно обученные модели, такие как YOLO11, можно использовать для общего обнаружения объектов, однако обучение собственной модели необходимо, когда нужно, чтобы модель обнаруживала уникальные объекты или оптимизировала производительность на конкретном датасете.

В приведённом ниже фрагменте кода мы рассмотрим этапы обучения модели Ultralytics YOLO11 для обнаружения с помощью OBB.

Сначала модель инициализируется с помощью предварительно обученных весов YOLO11, предназначенных для OBB (yolo11n-obb.pt). Затем функция обучения используется для обучения модели на собственном датасете с такими параметрами, как файл конфигурации датасета, количество циклов обучения, размер обучающих изображений и оборудование для запуска обучения (например, CPU или GPU). После обучения производительность модели проверяется по таким метрикам, как точность и потери.

С помощью обученной модели ты можешь выполнять инференс на новых изображениях, чтобы обнаруживать объекты с помощью OBB и визуализировать их. Кроме того, обученную модель можно преобразовать в такие форматы, как ONNX, для развёртывания с помощью функции экспорта.

Рис. 5. Пример обучения Ultralytics YOLO11 для обнаружения объектов с помощью OBB.

Будущее развития ИИ с Ultralytics YOLO11#

Ultralytics YOLO11 выводит обнаружение объектов на новый уровень благодаря поддержке ориентированных ограничивающих рамок. Возможность обнаруживать объекты под разными углами позволяет использовать YOLO11 в самых разных приложениях и отраслях. Например, модель отлично подходит для таких отраслей, как городское планирование, энергетика и судоходство, где точность критически важна для таких задач, как проверка солнечных панелей или мониторинг флота. Благодаря более высокой скорости и улучшенной точности YOLO11 помогает разработчикам ИИ решать реальные задачи.

По мере того как ИИ всё шире внедряется и интегрируется в нашу повседневную жизнь, такие модели, как Ultralytics YOLO11, будут формировать будущее решений на основе ИИ.

Чтобы узнать о потенциале ИИ для компьютерного зрения, присоединяйся к нашему растущему сообществу и изучай наш репозиторий на GitHub. Мы стимулируем инновации, переосмысливая такие отрасли, как здравоохранение, и развивая технологии от беспилотных автомобилей.