Как использовать Ultralytics YOLO11 для обнаружения объектов с помощью OBB

Ежегодное гибридное мероприятие Ultralytics — YOLO Vision 2024 (YV24) — было посвящено обсуждению последних прорывов в ИИ и компьютерном зрении. Там же мы представили нашу новую на тот момент модель — Ultralytics YOLO11, которую с тех пор сменила Ultralytics YOLO26. Модель поддерживает те же задачи компьютерного зрения, что и Ultralytics YOLOv8, поэтому пользователям легко перейти на новую модель.

Предположим, ты использовал YOLOv8 для обнаружения объектов с ориентированными ограничивающими рамками (OBB), чтобы обнаруживать объекты под разными углами. Теперь можно перейти на YOLO11, внеся лишь несколько небольших изменений в код, и воспользоваться улучшениями YOLO11: повышенной точностью и эффективностью, а также увеличенной скоростью обработки. Если ты ещё не работал с такими моделями, как YOLO11, обнаружение OBB — отличный пример применения YOLO11 в разных отраслях для решения практических задач с реальным эффектом.

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 OBB. Мы также расскажем, как новые функции YOLO11 помогают улучшить эти процессы, а также как запускать инференс и обучать собственные модели, чтобы максимально использовать возможности обнаружения с OBB.

Ключевые функции Ultralytics YOLO11 нового поколения включают 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, ориентированных по осям изображения, OBB поворачиваются, подстраиваясь под ориентацию объекта. Обнаружение объектов с помощью OBB можно применять для анализа аэроснимков и спутниковых изображений, где объекты не всегда расположены прямо. В таких отраслях, как городское планирование, энергетика и транспорт, точное обнаружение объектов под углом — зданий, транспортных средств или инфраструктуры — может стать основой полезных приложений компьютерного зрения.

Рис. 1. Сравнение обычных и ориентированных ограничивающих рамок.

YOLO11 поддерживает обнаружение OBB и обучалась на наборе данных DOTA v1.0 для обнаружения самолётов, кораблей, резервуаров и других объектов с разных ракурсов. YOLO11 доступна в нескольких вариантах моделей для разных задач: YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) и YOLO11x-obb (Extra Large). Модели различаются размером, скоростью, точностью и требуемыми вычислительными ресурсами. Пользователи могут выбрать модель с подходящим для их задачи балансом скорости и точности.

Варианты применения Ultralytics YOLO11: новый ракурс для обнаружения объектов#

Возможности Ultralytics YOLO11 по обнаружению объектов, в частности поддержка ориентированных ограничивающих рамок, обеспечивают более высокую точность в самых разных отраслях. Далее мы рассмотрим несколько примеров того, как YOLO11 и обнаружение объектов с помощью OBB можно применять в реальных условиях, чтобы сделать процессы в разных сферах эффективнее, точнее и проще в управлении.

Городское планирование и мониторинг инфраструктуры с Ultralytics YOLO11#

Если ты когда-нибудь восхищался дизайном и планировкой города, то это заслуга детальной работы в области городского планирования и мониторинга инфраструктуры. Одна из многих задач мониторинга инфраструктуры — выявление и учёт важных объектов, таких как резервуары, трубопроводы и промышленные площадки. Ultralytics YOLO11 поможет городским планировщикам быстро и точно анализировать аэроснимки и обнаруживать такие важные объекты.

Обнаружение объектов с ориентированными ограничивающими рамками особенно полезно в этом случае, поскольку позволяет обнаруживать объекты, снятые под разными углами, что часто встречается на аэроснимках. Точность крайне важна для контроля промышленных зон, управления воздействием на окружающую среду и надлежащего обслуживания инфраструктуры. OBB повышает надёжность обнаружения и помогает планировщикам принимать обоснованные решения о развитии, безопасности и устойчивости города. Ultralytics YOLO11 поможет планировщикам контролировать инфраструктуру и управлять ею, поддерживая бесперебойную работу городов.

Рис. 2. Обнаружение резервуаров для хранения на аэрофотосъемке с помощью Ultralytics YOLO11.

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

По мере роста популярности возобновляемой энергетики и таких инноваций, как солнечные электростанции, регулярные инспекции становятся всё важнее. Необходимо проверять солнечные панели, чтобы убедиться, что они работают эффективно. Со временем трещины, скопление грязи или смещение панелей могут снизить их производительность. Регулярные проверки помогают выявлять эти проблемы на раннем этапе, чтобы вовремя провести обслуживание и обеспечить бесперебойную работу панелей.

Например, для поиска повреждений солнечных панелей можно использовать дроны с интегрированным периферийным ИИ и Ultralytics YOLO11. Анализ изображений непосредственно на периферийном устройстве делает инспекцию точнее и эффективнее. Из-за движения дрона и ракурса съёмки панели часто попадают в кадр под разными углами. В таких случаях обнаружение OBB в YOLO11 помогает дронам точно определять солнечные панели.

Ultralytics YOLO11 помогает получать данные для управления автопарком#

Порты и гавани каждую неделю принимают сотни судов, и управлять таким большим флотом непросто. Дополнительные сложности возникают при анализе судов на аэроснимках: часто суда видны под разными углами. Здесь пригодится поддержка обнаружения OBB в Ultralytics YOLO11.

Обнаружение OBB позволяет модели точнее находить суда под разными углами, чем стандартные прямоугольные рамки. Используя Ultralytics YOLO11 с OBB, судоходные компании могут проще определять местоположение и состояние флота, отслеживая важные сведения, например перемещения судов и логистику цепочек поставок. Такие решения на основе компьютерного зрения помогают оптимизировать маршруты, сокращать задержки и улучшать управление флотом на морских маршрутах.

Рис. 3. Обнаружение кораблей и гаваней под углом с помощью Ultralytics YOLO11.

Ultralytics YOLO11 для разработчиков ИИ: обнаружение ориентированных ограничивающих рамок#

Если ты разработчик ИИ и хочешь использовать YOLO11 для обнаружения OBB, начать можно двумя простыми способами. Если тебе удобно работать с кодом, отлично подойдёт пакет Ultralytics для Python. Если ты предпочитаешь удобное решение без кода с возможностью облачного обучения, для этого создана платформа Ultralytics HUB, теперь известная как Ultralytics Platform. Подробнее смотри 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 запускать инференс и обучать собственные модели.

Запуск инференса с Ultralytics YOLO11#

Сначала установи пакет Ultralytics, чтобы использовать YOLO11 с Python. В зависимости от предпочтений его можно установить с помощью pip, conda или Docker. Пошаговые инструкции смотри в нашем руководстве по установке Ultralytics. Если при установке возникнут сложности, загляни в наше руководство по распространенным проблемам: там есть полезные советы по их устранению.

После установки пакета Ultralytics работать с YOLO11 просто. Запуск инференса — это использование обученной модели для предсказаний на новых изображениях, например для обнаружения объектов с помощью OBB в реальном времени. Это отличается от обучения модели, в ходе которого её учат распознавать новые объекты или повышают её производительность в конкретных задачах. Инференс используют, когда нужно применить модель к данным, на которых она не обучалась.

В примере ниже показано, как загрузить модель и использовать её для предсказания ориентированных ограничивающих рамок на изображении. Подробные примеры, советы по расширенному использованию, рекомендации и дополнительные инструкции смотри в официальной документации Ultralytics.

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

Обучение пользовательской модели Ultralytics YOLO11#

Обучение модели Ultralytics YOLO11 позволяет донастроить её для конкретных наборов данных и задач, например для обнаружения объектов с ориентированными ограничивающими рамками. Предварительно обученные модели, такие как YOLO11, подходят для общего обнаружения объектов, но обучение собственной модели необходимо, если требуется обнаруживать уникальные объекты или оптимизировать производительность для определённого набора данных.

В приведённом ниже фрагменте кода рассмотрены этапы обучения модели Ultralytics YOLO11 для обнаружения OBB.

Сначала модель инициализируется предварительно обученными весами YOLO11, предназначенными для OBB (yolo11n-obb.pt). Затем модель обучается на собственном наборе данных с помощью функции обучения и таких параметров, как файл конфигурации набора данных, количество циклов обучения, размер обучающих изображений и оборудование для обучения (например, CPU или GPU). После обучения оценивается производительность модели по таким метрикам, как точность, полнота и средняя точность (mAP).

С помощью обученной модели можно запускать инференс на новых изображениях, 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.

Дальнейшее развитие ИИ с Ultralytics YOLO11#

Ultralytics YOLO11 расширяет возможности обнаружения объектов за счёт поддержки ориентированных ограничивающих рамок. Благодаря обнаружению объектов под разными углами YOLO11 можно применять в самых разных отраслях. Например, модель отлично подходит для городского планирования, энергетики и судоходства, где точность критична для таких задач, как инспекция солнечных панелей или мониторинг флота. Благодаря повышенной скорости и точности YOLO11 помогает разработчикам ИИ решать реальные задачи.

По мере того как ИИ все шире внедряется и становится частью повседневной жизни, такие модели, как Ultralytics YOLO11, будут определять будущее решений на основе ИИ.

Чтобы узнать больше о возможностях ИИ в компьютерном зрении, присоединяйся к нашему растущему сообществу и изучай наш репозиторий GitHub. Узнай, как ИИ в компьютерном зрении применяют в самых разных сферах — от здравоохранения до беспилотных автомобилей.