如何使用 Ultralytics YOLO11 进行 OBB 目标检测

Ultralytics 的年度混合活动、YOLO Vision 2024 (YV24)专注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，使用户能够轻松过渡到新模型。

假设你曾使用 YOLOv8 进行定向边界框 (OBB) 目标检测来从各个角度检测目标。现在，你只需对代码进行几处微小的更改，即可切换到 YOLO11，并享受 YOLO11 的改进带来的好处，这些改进涵盖了从更高的准确性、效率到处理速度的方方面面。如果你尚未用过像 YOLO11 这样的模型，OBB 检测是展示 YOLO11 如何应用于各个行业的绝佳示例，它能提供产生实际影响的实用解决方案。

在这篇文章中，我们将探讨什么是 OBB 目标检测、它可应用の场景，以及如何使用 Ultralytics YOLO11 进行 OBB 检测。我们还将介绍 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，从而充分发挥其 OBB 检测能力。

下一代 Ultralytics YOLO11 的功能包括 OBB 目标检测等任务#

OBB 目标检测通过在不同角度检测目标，将传统目标检测推进了一步。与始终与图像坐标轴保持对齐的常规边界框不同，OBB 会旋转以适应目标的朝向。OBB 目标检测可用于分析目标并不总是呈直立状态的航空或卫星图像。在城市规划、能源和交通等行业中，准确检测建筑物、车辆或基础设施等倾斜目标的能力可以构成具有切实效益的计算机视觉应用的基础。

图 1。对比常规边界框与定向边界框。

YOLO11 支持 OBB 检测，并在 DOTA v1.0 数据集上进行了训练，以从不同视角检测飞机、船舶和储油罐等目标。YOLO11 提供多种模型变体以满足不同的需求，包括 YOLO11n-obb（Nano）、YOLO11s-obb（Small）、YOLO11m-obb（Medium）、YOLO11l-obb（Large）和 YOLO11x-obb（Extra Large）。每个模型的大小各异，速度、准确性和计算能力水平也不同。用户可以根据自己的应用需求选择在速度和准确性之间实现恰当平衡的模型。

为检测引入新角度的 Ultralytics YOLO11 应用场景#

Ultralytics YOLO11 的目标检测功能，特别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，我们将看几个 YOLO11 和 OBB 检测在实际场景中应用的示例，从而在不同领域中让流程更高效、更准确且更易于管理。

使用 Ultralytics YOLO11 进行城市规划和基础设施监测#

如果你曾赞叹过城市的规划和布局，那要归功于城市规划和基础设施监测的详细工作。基础设施监测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 可以帮助城市规划者分析航拍图像，快速、准确地检测这些关键组件。

带方向的边界框目标检测在这里特别有用，因为它能够检测从各种角度观察到的对象（航拍图像通常如此）。这里的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 使检测过程更加可靠，帮助规划者就城市的发展、安全和可持续性做出明智的决策。使用 Ultralytics YOLO11 可以帮助规划者监测和管理让城市平稳运行的基础设施。

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 检查太阳能电池板#

随着可再生能源和太阳能发电场等创新日益普及，定期检查变得愈发重要。需要检查太阳能板以确保其高效工作。随着时间的推移，裂纹、灰尘积聚或错位等问题可能会降低其性能。例行检查有助于及早发现这些问题，从而进行维护以保持其顺畅运行。

例如，可以使用集成边缘 AI 的无人机和 Ultralytics YOLO11 检测太阳能电池板的损坏情况。在边缘端分析图像为检测过程带来了更高的精度和效率。由于无人机的运动和视角，监控画面通常可能会从各个角度捕捉太阳能电池板。在这种情况下，YOLO11 的 OBB 检测可以帮助无人机准确识别太阳能电池板。

Ultralytics YOLO11 可以为车队管理提供洞察#

港口每周要处理数百艘船舶，管理如此庞大的船队可能具有挑战性。分析航拍图像中的船舶时会增加一层难度；船舶通常以不同的角度出现。这就是Ultralytics YOLO11 对 OBB 检测的支持派上用场的地方。

OBB 检测使得模型能够比标准矩形框更准确地检测各个角度的船舶。通过将 Ultralytics YOLO11 与 OBB 结合使用，航运公司可以更轻松地识别船队的位置和状况，跟踪诸如船队动态和供应链物流等重要细节。此类具备视觉功能的解决方案有助于优化航线、减少延迟并改善整个航运路线的车队管理。

图 3. 使用 Ultralytics YOLO11 从倾斜角度检测船舶和港口。

面向 AI 开发者的 Ultralytics YOLO11：检测带方向的边界框#

如果你是一位希望将 YOLO11 用于 OBB 检测的 AI 开发者，这里有两个简单的入门选项。如果你喜欢使用代码，Ultralytics Python 软件包是一个绝佳的选择。如果你更喜欢具有云端训练功能且用户友好、无需编写代码的解决方案，Ultralytics HUB 是专门为此设计的内部平台。有关更多详细信息，你可以查阅我们关于使用 Ultralytics HUB 训练和部署 Ultralytics YOLO11 的指南。

既然我们已经看到了应用 YOLO11 OBB 支持的示例，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，你可以参考我们的Ultralytics 安装指南。如果在安装过程中遇到任何挑战，我们的常见问题指南提供了有用的故障排除提示。

安装 Ultralytics 软件包后，使用 YOLO11 会变得异常简单。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 OBB 的目标。它不同于模型训练，后者是指教导模型识别新目标或提高其在特定任务上的性能。当你想要将模型应用于未见过的数据时，就会使用推理。

下面的示例将引导你了解如何加载模型并使用它来预测图像上的定向边界框。有关更多详细示例和高级用法提示，请务必查看官方的Ultralytics 文档，以获取最佳实践和进一步说明。

图 4. 展示使用 Ultralytics YOLO11 运行推理的代码片段。

训练自定义的 Ultralytics YOLO11 模型#

训练 Ultralytics YOLO11 模型意味着你可以针对特定的数据集和任务（例如定向边界框目标检测）微调其性能。虽然像 YOLO11 这样的预训练模型可用于通用的目标检测，但在你需要模型检测独特对象或在特定数据集上优化性能时，训练自定义模型至关重要。

在下面的代码片段中，我们介绍了训练用于 OBB 检测的 Ultralytics YOLO11 模型的步骤。

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，其中包含诸如数据集配置文件、训练周期数、训练图像大小以及运行训练的硬件（例如 CPU 或 GPU）等参数。训练完成后，将对模型的性能进行验证，以检查准确性和损失等指标。

使用训练好的模型，你可以在新图像上运行推理，以检测带有 OBB 的目标并将其可视化。此外，可以使用导出功能将训练好的模型转换为诸如 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 发展的前进道路#

Ultralytics YOLO11 通过支持定向边界框将物体检测提升到了一个新的水平。凭借检测不同角度物体的能力，YOLO11 可用于各行各业的各种应用。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，精度对于太阳能电池板检查或船队监控等任务至关重要。凭借更快的性能和更高的精度，YOLO11 可以帮助 AI 开发者解决现实世界的挑战。

随着 AI 得到更广泛的采用并融入我们的日常生活，像 Ultralytics YOLO11 这样的模型将塑造 AI 解决方案的未来。

要了解视觉 AI 的潜力，请加入我们不断壮大的社区并探索我们的GitHub 仓库。我们正在通过重塑从医疗保健到自动驾驶汽车等各个行业来推动创新。