Comment utiliser Ultralytics YOLO11 pour la détection des objets OBB

Ultralytics'événement hybride annuel, YOLO Vision 2024 (YV24), axé sur la discussion des dernières percées en matière d'IA et de vision par ordinateur. C'était l'occasion idéale pour présenter notre tout nouveau modèle, Ultralytics YOLO11. Ce modèle prend en charge les mêmes tâches de vision par ordinateur que Ultralytics YOLOv8Le passage au nouveau modèle se fait donc sans effort pour les utilisateurs.

Supposons que tu utilises YOLOv8 pour la détection d'objets à partir de boîtes de délimitation orientées (OBB) afin de détecter des objets sous différents angles. Tu peux maintenant passer à YOLO11 en apportant quelques modifications mineures à ton code et bénéficier des améliorations deYOLO11, qui vont d'une précision et d'une efficacité accrues à la vitesse de traitement. Au cas où tu n'aurais pas encore utilisé des modèles comme YOLO11, la détection OBB est un excellent exemple de la façon dont YOLO11 peut être appliqué à toute une série d'industries, en offrant des solutions pratiques qui ont un impact réel.

Dans cet article, nous verrons ce qu'est la détection d'objets OBB, où elle peut être appliquée et comment utiliser YOLO11 pour détecter les OBB. Nous verrons également comment les nouvelles fonctionnalités de YOLO11 peuvent améliorer ces processus et comment exécuter des inférences et former des modèles personnalisés pour tirer le meilleur parti de ses capacités de détection OBB.

Les fonctionnalités de la prochaine génération de YOLO11 comprennent des tâches telles que la détection d'objets OBB.

La détection d'objets OBB va plus loin que la détection d'objets traditionnelle en détectant les objets sous différents angles. Contrairement aux boîtes de délimitation ordinaires qui restent alignées sur les axes de l'image, les OBB pivotent pour s'adapter à l'orientation de l'objet. La détection d'objets par OBB peut être utilisée pour analyser des images aériennes ou satellites où les objets ne sont pas toujours droits. Dans des secteurs tels que l'urbanisme, l'énergie et les transports, la capacité à détecter avec précision les objets inclinés tels que les bâtiments, les véhicules ou les infrastructures peut constituer la base d'applications de vision par ordinateur offrant des avantages tangibles. 

‍

YOLO11 prend en charge la détection des OBB et a été entraîné sur l'ensemble de données DOTA v1.0 pour détecter des objets tels que des avions, des bateaux et des réservoirs de stockage sous différentes perspectives. YOLO11 se décline en plusieurs modèles pour répondre à différents besoins, notamment YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) et YOLO11x-obb (Extra Large). Chaque modèle offre une taille différente, avec des niveaux variables de vitesse, de précision et de puissance de calcul. Les utilisateurs peuvent choisir le modèle qui offre le bon équilibre entre vitesse et précision pour leur application. 

YOLO11 Cas d'utilisation qui introduisent un nouvel angle de détection

YOLO11Les capacités de détection d'objets d'OptoSoft, en particulier sa prise en charge des boîtes de délimitation orientées, apportent une plus grande précision à divers secteurs d'activité. Nous allons maintenant examiner quelques exemples de la façon dont YOLO11 et la détection OBB peuvent être utilisés dans des situations réelles pour rendre les processus plus efficaces, plus précis et plus faciles à gérer dans différents domaines.

Planification urbaine et suivi des infrastructures avec YOLO11

Si tu as déjà admiré la conception et l'agencement d'une ville, c'est grâce au travail détaillé de la planification urbaine et de la surveillance des infrastructures. L'un des nombreux aspects de la surveillance des infrastructures consiste à identifier et à gérer les structures importantes telles que les réservoirs de stockage, les pipelines et les sites industriels. YOLO11 peut aider les urbanistes à analyser les images aériennes pour détecter rapidement et précisément ces composants essentiels. 

La détection d'objets par boîte englobante orientée est particulièrement utile ici car elle permet de détecter des objets vus sous différents angles (ce qui est souvent le cas avec les images aériennes). La précision est ici vitale pour garder la trace des zones industrielles, gérer les impacts environnementaux et s'assurer que les infrastructures sont correctement entretenues. L'OBB rend le processus de détection plus fiable, ce qui aide les urbanistes à prendre des décisions éclairées sur la croissance, la sécurité et la durabilité de la ville. L'utilisation de YOLO11, peut aider les planificateurs à surveiller et à gérer l'infrastructure qui assure le bon fonctionnement des villes.

‍

Inspecter les panneaux solaires avec des drones, YOLO11, et Edge AI

À mesure que les énergies renouvelables et les innovations telles que les fermes solaires deviennent plus populaires, les inspections régulières deviennent plus importantes. Les panneaux solaires doivent être vérifiés pour s'assurer qu'ils fonctionnent efficacement. Avec le temps, des éléments comme les fissures, l'accumulation de saleté ou un mauvais alignement peuvent diminuer leurs performances. Les inspections régulières permettent de détecter ces problèmes à un stade précoce, de sorte qu'une maintenance peut être effectuée pour assurer leur bon fonctionnement.

Par exemple, les panneaux solaires peuvent être inspectés pour détecter les dommages à l'aide de drones intégrés à l'IA de bord et au site YOLO11. L'analyse des images sur la tranche apporte plus de précision et d'efficacité au processus d'inspection. En raison du mouvement et de la perspective du drone, les séquences de surveillance peuvent souvent capturer les panneaux solaires sous différents angles. Dans ces cas-là, la détection OBB de YOLO11peut aider les drones à identifier avec précision les panneaux solaires. 

YOLO11 Peut fournir des informations pour la gestion du parc automobile

Les ports traitent des centaines de navires chaque semaine, et la gestion d'une flotte aussi importante peut s'avérer difficile. L'analyse des navires sur les images aériennes présente une difficulté supplémentaire : les navires apparaissent souvent sous des angles différents. C'est là que la prise en charge de la détection des OBB parYOLO11 s'avère très utile. 

La détection OBB permet au modèle de détecter les navires sous différents angles avec plus de précision que les boîtes rectangulaires standard. En utilisant YOLO11 avec OBB, les compagnies maritimes peuvent plus facilement identifier l'emplacement et l'état de leur flotte, en gardant une trace des détails importants comme les mouvements de la flotte et la logistique de la chaîne d'approvisionnement. De telles solutions basées sur la vision permettent d'optimiser les itinéraires, de réduire les retards et d'améliorer la gestion globale de la flotte sur l'ensemble des routes maritimes.

‍

YOLO11 pour les développeurs d'IA : Détecter les boîtes de délimitation orientées

Si tu es un développeur d'IA et que tu souhaites utiliser YOLO11 pour la détection des OBB, il existe deux options faciles pour commencer. Si tu es à l'aise avec le code, l'offreUltralytics Python est un excellent choix. Si tu préfères une solution conviviale, sans code, avec des capacités de formation dans le nuage, Ultralytics HUB est une plateforme interne conçue spécialement pour cela. Pour plus de détails, tu peux consulter notre guide sur la formation et le déploiement de Ultralytics YOLO11 à l'aide de Ultralytics HUB.

Ultralytics Maintenant que nous avons vu des exemples d'application de l'aide OBB de YOLO11, explorons le paquetPython et voyons comment tu peux effectuer des inférences et former des modèles personnalisés à l' aide de ce paquet. 

Faire des déductions à l'aide de YOLO11

Tout d'abord, pour utiliser YOLO11 avec Python, tu devras installer le paquet Ultralytics . Selon tes préférences, tu peux choisir de l'installer à l'aide de pip, de conda ou de Docker. Pour obtenir des instructions étape par étape, tu peux te référer à notre guide d'installationUltralytics . Si tu rencontres des difficultés lors de l'installation, notre Guide des problèmes courants propose des conseils de dépannage utiles.

Une fois que tu as installé le paquet Ultralytics , il est très facile de travailler avec YOLO11 . L'exécution d'une inférence fait référence au processus d'utilisation d'un modèle entraîné pour faire des prédictions sur de nouvelles images - comme la détection d'objets avec OBB en temps réel. C'est différent de l'entraînement du modèle, qui consiste à apprendre au modèle à reconnaître de nouveaux objets ou à améliorer ses performances sur des tâches spécifiques. L'inférence est utilisée lorsque tu veux appliquer le modèle à des données inédites.

L'exemple ci-dessous t'explique comment charger un modèle et l'utiliser pour prédire les boîtes de délimitation orientées sur une image. Pour des exemples plus détaillés et des conseils d'utilisation avancés, n'hésite pas à consulter la documentation officielle deUltralytics pour connaître les meilleures pratiques et obtenir des instructions supplémentaires.

‍

Entraîne un modèle personnalisé YOLO11

L'entraînement d'un modèle YOLO11 te permet d'affiner ses performances sur des ensembles de données et des tâches spécifiques, comme la détection orientée d'objets dans la boîte englobante. Alors que les modèles pré-entraînés comme YOLO11 peuvent être utilisés pour la détection générale d'objets, l'entraînement d'un modèle personnalisé est essentiel lorsque tu as besoin que le modèle détecte des objets uniques ou optimise ses performances sur un ensemble de données spécifique.

Dans l'extrait de code ci-dessous, nous couvrons les étapes de la formation d'un modèle YOLO11 pour la détection des OBB. 

Tout d'abord, le modèle est initialisé à l'aide de poids pré-entraînés YOLO11 spécifiques à l'OBB (yolo11n-obb.pt). Ensuite, une fonction d'entraînement est utilisée pour entraîner le modèle sur un ensemble de données personnalisé, avec des paramètres tels que le fichier de configuration de l'ensemble de données, le nombre de cycles d'entraînement, la taille de l'image d'entraînement et le matériel sur lequel l 'entraînement doit être exécuté (par exemple, CPU ou GPU). Après l'entraînement, les performances du modèle sont validées pour vérifier des paramètres tels que la précision et la perte. 

À l'aide du modèle formé, tu peux effectuer des déductions sur de nouvelles images pour détecter des objets avec OBB et les visualiser. Le modèle formé peut également être converti dans des formats tels que ONNX pour être déployé à l'aide de la fonction d'exportation.

‍

La voie à suivre pour YOLO11 Les progrès de l'IA

Ultralytics YOLO11 fait passer la détection d'objets au niveau supérieur grâce à la prise en charge des boîtes de délimitation orientées. En étant capable de détecter des objets sous différents angles, YOLO11 peut être utilisé pour diverses applications dans différents secteurs. Par exemple, il convient parfaitement à des secteurs comme l'urbanisme, l'énergie et le transport maritime, où la précision est cruciale pour des tâches telles que l'inspection des panneaux solaires ou la surveillance de la flotte. Avec des performances plus rapides et une précision améliorée, YOLO11 peut aider les développeurs d'IA à résoudre les défis du monde réel. 

Alors que l'IA est de plus en plus largement adoptée et intégrée dans notre vie quotidienne, des modèles comme YOLO11 façonneront l'avenir des solutions d'IA.

Pour en savoir plus sur le potentiel de Vision AI, rejoins notre communauté grandissante et explore notre dépôt GitHub. Nous favorisons l'innovation en réinventant des secteurs tels que les soins de santé ou les voitures auto-conduites.