如何使用 Ultralytics YOLO11 进行 OBB 目标检测

Ultralytics 的年度混合式活动 YOLO Vision 2024 (YV24) 聚焦于探讨 AI 和计算机视觉领域的最新突破。我们也在活动中发布了当时最新的模型 Ultralytics YOLO11，该模型现已由 Ultralytics YOLO26继任。该模型支持与 Ultralytics YOLOv8 相同的计算机视觉任务，因此用户可以轻松切换到新模型。

假设你之前使用 YOLOv8 进行有向边界框 (OBB) 目标检测，以检测不同角度的物体。现在，你只需对代码做少量修改，就能切换到 YOLO11，并受益于 YOLO11 的改进，包括更高的准确率和效率以及更快的处理速度。如果你还没用过 YOLO11 等模型，OBB 检测就是一个很好的例子，展示了 YOLO11 如何应用于各行各业并提供切实有效的解决方案。

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 检测 OBB。我们还将介绍 YOLO11 的新特性如何改进这些流程，以及如何运行推理和训练自定义模型，充分发挥其 OBB 检测能力。

新一代 Ultralytics YOLO11 特性包括 OBB 目标检测等任务#

OBB 目标检测通过检测不同角度的物体，将传统目标检测提升到了一个新层次。与始终沿图像坐标轴对齐的普通边界框不同，OBB 会旋转以贴合物体的朝向。OBB 目标检测可用于分析航空或卫星图像，因为图像中的物体并不总是摆正的。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，可以成为具有实际效益的计算机视觉应用的基础。

图 1.普通边界框与有向边界框的对比。

YOLO11 支持 OBB 检测，并使用 DOTA v1.0 数据集进行训练，以从不同视角检测飞机、船舶和储罐等物体。YOLO11 提供多种模型版本，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)。各模型大小不同，在速度、准确率和计算能力方面各有差异。用户可以根据应用需求，选择在速度和准确率之间取得合适平衡的模型。

为检测开辟新视角的 Ultralytics YOLO11 用例#

Ultralytics YOLO11 的目标检测能力，尤其是对有向边界框的支持，可为各行各业带来更高的精度。接下来，我们将介绍几个示例，说明如何在实际场景中使用 YOLO11 和 OBB 检测，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#

如果你曾经欣赏过一座城市的设计和布局，那要归功于城市规划和基础设施监控的细致工作。基础设施监控的众多工作之一，就是识别和管理储罐、管道和工业场所等重要设施。Ultralytics YOLO11 可以帮助城市规划人员分析航空图像，快速、准确地检测这些关键设施。

有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（航空影像中经常会出现这种情况）。精确度对于跟踪工业区、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 能让检测过程更加可靠，帮助规划人员就城市发展、安全和可持续性做出明智决策。使用 Ultralytics YOLO11 可以帮助规划人员监控和管理基础设施，让城市平稳运转。

图 2. 使用 Ultralytics YOLO11 检测航拍画面中的储罐。

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日益普及，定期巡检变得更加重要。必须检查太阳能电池板，确保其高效运行。随着时间推移，裂缝、污垢堆积或错位等问题都可能降低电池板的性能。定期巡检有助于及早发现这些问题，以便开展维护，让电池板持续平稳运行。

例如，可以使用集成了边缘 AI 的无人机和 Ultralytics YOLO11 检查太阳能电池板是否受损。在边缘端分析图像，可以让巡检流程更加精准、高效。由于无人机移动和拍摄角度的影响，拍摄画面中的太阳能电池板通常会呈现不同角度。在这种情况下，YOLO11 的 OBB 检测功能可以帮助无人机准确识别太阳能电池板。

Ultralytics YOLO11 可为车队管理提供有用信息#

港口和海港每周要处理数百艘船舶，管理如此庞大的船队颇具挑战性。分析航空图像中的船舶又增加了一层难度，因为船舶通常会以不同角度出现。这正是 Ultralytics YOLO11 支持 OBB 检测的用武之地。

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。航运公司使用具备 OBB 功能的 Ultralytics YOLO11，可以更轻松地识别船队的位置和状态，并跟踪船队移动和供应链物流等重要信息。这类由视觉 AI 赋能的解决方案有助于优化航线、减少延误，并改善航线运输中的整体船队管理。

图 3. 使用 Ultralytics YOLO11 检测倾斜角度下的船舶和港口。

面向 AI 开发者的 Ultralytics YOLO11：有向边界框检测#

如果你是想用 YOLO11 进行 OBB 检测的 AI 开发者，可以通过两种简单方式入门。如果你熟悉代码，Ultralytics Python 软件包是个不错的选择。如果你更喜欢易用的免代码方案，并希望具备云端训练能力，那么 Ultralytics HUB（现为 Ultralytics Platform）正是为此设计的平台。要了解更多信息，请参阅我们的指南，了解如何使用 Ultralytics HUB 训练和部署 Ultralytics YOLO11。

了解 YOLO11 的 OBB 支持可应用于哪些场景后，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，要使用 Python 运行 YOLO11，你需要安装 Ultralytics 软件包。你可以根据自己的偏好，选择使用 pip、conda 或 Docker 安装。分步说明请参阅我们的Ultralytics 安装指南。如果在安装过程中遇到问题，我们的常见问题指南提供了实用的故障排除建议。

安装 Ultralytics 软件包后，使用 YOLO11 就很简单了。运行推理是指使用训练好的模型对新图像进行预测，例如实时使用 OBB 检测物体。这与模型训练不同；训练是让模型学习识别新物体，或提升模型在特定任务上的性能。你可以通过推理将模型应用于未见过的数据。

下面的示例将逐步讲解如何加载模型，并使用模型对图像中的有向边界框进行预测。要查看更多详细示例和高级用法提示，请务必查阅 Ultralytics 官方文档，了解最佳实践和更多操作说明。

图 4：展示如何使用 Ultralytics YOLO11 运行推理的代码片段。

训练自定义 Ultralytics YOLO11 模型#

训练 Ultralytics YOLO11 模型后，你可以针对特定数据集和任务（例如有向边界框目标检测）微调模型性能。YOLO11 等预训练模型可用于通用目标检测，但如果你需要模型检测独特物体，或针对特定数据集优化性能，就必须训练定制模型。

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，使用针对 YOLO11 OBB 任务的预训练权重（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、训练轮数、训练图像尺寸以及训练所用硬件（例如 CPU 或 GPU）等参数。训练完成后，通过验证模型性能，检查精确率、召回率和平均精度均值 (mAP) 等指标。

使用训练好的模型，你可以对新图像运行推理，以检测并可视化 OBB 物体。此外，你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 进步的未来方向#

Ultralytics YOLO11 通过支持有向边界框扩展了目标检测功能。YOLO11 能够检测不同角度的物体，因此可应用于各行各业的各种场景。例如，它非常适用于城市规划、能源和航运等行业，因为太阳能电池板巡检或船队监控等任务对精确度要求很高。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 在日常生活中的应用日益广泛和深入，Ultralytics YOLO11 这样的模型将塑造 AI 解决方案的未来。

想了解视觉 AI 的潜力，可以加入不断壮大的社区，并探索我们的 GitHub 代码库。了解视觉 AI 如何应用于从医疗保健到自动驾驶汽车等领域。