如何使用 Ultralytics YOLO11 进行 OBB 目标检测
了解 Ultralytics YOLO11 如何利用定向边界框（OBB）增强目标检测，以及这项计算机视觉任务适合哪些应用。
Ultralytics 的年度混合活动YOLO Vision 2024 (YV24)聚焦于讨论人工智能和计算机视觉领域的最新突破。这是介绍我们最新模型Ultralytics YOLO11的绝佳时机。该模型支持与Ultralytics YOLOv8相同的计算机视觉任务，让用户可以轻松切换到新模型。
假设你一直使用 YOLOv8 进行定向边界框 (OBB) 目标检测，以检测不同角度的物体。现在，你只需对代码进行几处小改动即可切换到 YOLO11，并享受从准确率、效率到处理速度等方面的YOLO11 改进。如果你还没有使用过YOLO11 等模型，OBB 检测就是一个很好的例子，展示了YOLO11 的应用方式如何覆盖多个行业，并提供能够产生实际影响的实用解决方案。
本文将介绍什么是 OBB 目标检测、它的应用场景，以及如何使用 Ultralytics YOLO11 进行 OBB 检测。我们还将逐步讲解 YOLO11 的新功能如何改进这些流程，以及如何运行推理和训练自定义模型，从而充分利用其 OBB 检测能力。
新一代 Ultralytics YOLO11 的功能包括 OBB 目标检测等任务#
OBB 目标检测在传统目标检测的基础上更进一步，可以检测不同角度的物体。与始终沿图像轴对齐的常规边界框不同，OBB 会旋转以匹配物体的方向。OBB 目标检测可用于分析航空或卫星图像，因为其中的物体并不总是保持笔直。在城市规划、能源和交通运输等行业中，准确检测建筑物、车辆或基础设施等倾斜物体的能力，可以为具有实际价值的计算机视觉应用奠定基础。
图 1。比较普通边界框和定向边界框。
YOLO11 支持 OBB 检测，并使用DOTA v1.0 数据集进行训练，可从不同视角检测飞机、船舶和储罐等物体。YOLO11 提供多种模型变体，以满足不同需求，包括 YOLO11n-obb (Nano)、YOLO11s-obb (Small)、YOLO11m-obb (Medium)、YOLO11l-obb (Large) 和 YOLO11x-obb (Extra Large)。每种模型的大小不同，在速度、准确率和计算能力方面也各有差异。用户可以根据应用需求，选择在速度和准确率之间实现合适平衡的模型。
为检测带来新视角的 Ultralytics YOLO11 用例#
Ultralytics YOLO11 的目标检测能力，尤其是对定向边界框的支持，为各个行业带来了更高的精度。接下来，我们将通过几个示例，了解 YOLO11 和 OBB 检测如何应用于现实场景，从而让不同领域的流程更高效、更准确，也更易于管理。
使用 Ultralytics YOLO11 进行城市规划和基础设施监测#
如果你曾欣赏过城市的设计和布局，那离不开城市规划和基础设施监测的细致工作。基础设施监测涉及的众多方面之一，是识别和管理储罐、管道和工业场地等重要结构。Ultralytics YOLO11 可以帮助城市规划人员分析航空图像，快速而准确地检测这些关键组成部分。
定向边界框目标检测在这里尤其有用，因为它可以检测从不同角度拍摄的物体（航空图像中经常出现这种情况）。精确性对于跟踪工业区域、管理环境影响以及确保基础设施得到妥善维护至关重要。OBB 让检测过程更加可靠，帮助规划人员就城市发展、安全和可持续性作出明智决策。使用 Ultralytics YOLO11 可以帮助规划人员监测和管理维持城市顺畅运行的基础设施。
图 2。使用 Ultralytics YOLO11 检测航空影像中的储罐。
使用无人机、Ultralytics YOLO11 和边缘 AI 检查太阳能板#
随着可再生能源和太阳能农场等创新越来越普及，定期检查变得更加重要。需要检查太阳能板，以确保其高效运行。随着时间推移，裂纹、污垢堆积或位置偏移等问题可能会降低其性能。定期检查有助于及早发现这些问题，从而及时维护，确保太阳能板顺畅运行。
例如，可以使用集成边缘 AI 的无人机和 Ultralytics YOLO11 检查太阳能板是否受损。在边缘设备上分析图像，可以提高检查过程的精度和效率。由于无人机的移动和拍摄视角，监控录像经常会从不同角度捕捉太阳能板。在这些情况下，YOLO11 的 OBB 检测可以帮助无人机准确识别太阳能板。
Ultralytics YOLO11 可为车队管理提供洞察#
港口和海港每周要处理数百艘船舶，管理如此庞大的船队可能颇具挑战。在分析航空图像中的船舶时，难度还会进一步增加，因为船舶通常会以不同角度出现。这正是Ultralytics YOLO11 对 OBB 检测的支持发挥作用的地方。
与标准矩形框相比，OBB 检测能够让模型更准确地检测不同角度的船舶。航运公司将 Ultralytics YOLO11 与 OBB 结合使用后，可以更轻松地识别船队的位置和状态，同时跟踪船队移动和供应链物流等重要信息。这类视觉赋能解决方案有助于优化航线、减少延误，并改善航线运营中的整体船队管理。
图 3。使用 Ultralytics YOLO11 以倾斜角度检测船舶和港口。
面向 AI 开发者的 Ultralytics YOLO11：检测定向边界框#
如果你是希望使用 YOLO11 进行 OBB 检测的 AI 开发者，有两种简单的入门方式。如果你熟悉代码，Ultralytics Python 软件包是不错的选择。如果你更偏好具备云端训练能力、易于使用且无需代码的解决方案，Ultralytics HUB就是专门为此设计的内部平台。如需了解更多详情，可以参阅我们的指南，了解如何使用 Ultralytics HUB 训练和部署 Ultralytics YOLO11。
现在我们已经了解了 YOLO11 的 OBB 支持可以应用于哪些场景，接下来让我们探索 Ultralytics Python 软件包，看看如何使用它运行推理和训练自定义模型。
使用 Ultralytics YOLO11 运行推理#
首先，要在 Python 中使用 YOLO11，你需要安装 Ultralytics 软件包。根据你的偏好，你可以选择使用 pip、conda 或 Docker 进行安装。有关分步说明，请参阅我们的Ultralytics 安装指南。如果你在安装过程中遇到问题，我们的常见问题指南提供了有用的故障排除建议。
安装 Ultralytics 软件包后，使用 YOLO11 会非常简单。运行推理是指使用训练好的模型对新图像进行预测的过程，例如实时检测带有 OBB 的物体。这不同于模型训练，后者是教模型识别新物体或提升其在特定任务上的性能。想要将模型应用于未见过的数据时，就需要进行推理。
下面的示例将指导你如何加载模型，并使用它在图像上预测定向边界框。如需查看更多详细示例和高级使用技巧，请务必查看官方Ultralytics 文档，了解最佳实践和进一步的操作说明。
图 4。展示使用 Ultralytics YOLO11 运行推理的代码片段。
训练自定义 Ultralytics YOLO11 模型#
训练 Ultralytics YOLO11 模型意味着你可以针对特定数据集和任务微调其性能，例如定向边界框目标检测。虽然 YOLO11 等预训练模型可用于通用目标检测，但当你需要模型检测独特物体或在特定数据集上优化性能时，训练自定义模型至关重要。
下面的代码片段介绍了训练 Ultralytics YOLO11 模型以进行 OBB 检测的步骤。
首先，使用预训练的 YOLO11 OBB 专用权重（yolo11n-obb.pt）初始化模型。然后，使用训练函数在自定义数据集上训练模型，并设置数据集配置文件、训练周期数、训练图像大小以及用于运行训练的硬件（例如 CPU 或 GPU）等参数。训练完成后，会验证模型性能，以检查准确率和损失等指标。
使用训练好的模型，你可以在新图像上运行推理，以检测并可视化带有 OBB 的物体。此外，还可以使用导出功能将训练好的模型转换为 ONNX 等格式，以便部署。
图 5。训练 Ultralytics YOLO11 进行 OBB 目标检测的示例。
Ultralytics YOLO11 AI 进展的未来方向#
Ultralytics YOLO11 通过支持定向边界框，将目标检测提升到了新的水平。由于能够检测不同角度的物体，YOLO11 可用于各个行业的多种应用。例如，它非常适合城市规划、能源和航运等行业，在这些行业中，太阳能板检查或船队监测等任务都非常重视精度。凭借更快的性能和更高的准确率，YOLO11 可以帮助 AI 开发者解决现实世界中的挑战。
随着 AI 得到更广泛的采用并融入我们的日常生活，Ultralytics YOLO11 等模型将塑造 AI 解决方案的未来。
要了解视觉 AI 的潜力，请加入不断壮大的社区，并探索我们的GitHub 代码仓库。我们正通过重新构想从医疗保健到自动驾驶汽车等领域，推动创新。
