Come utilizzare Ultralytics YOLO11 per rilevare gli oggetti OBB

UltralyticsL'evento ibrido annuale di YOLO Vision 2024 (YV24) è incentrato sulla discussione delle ultime scoperte nel campo dell 'intelligenza artificiale e della computer vision. Questa è stata l'occasione perfetta per presentare il nostro nuovo modello, Ultralytics YOLO11. Il modello supporta le stesse attività di computer vision di Ultralytics YOLOv8, rendendo il passaggio al nuovo modello semplice per gli utenti.

Supponiamo che tu stia usando YOLOv8 per il rilevamento degli oggetti oriented bounding box (OBB) per rilevare gli oggetti da varie angolazioni. Ora puoi passare a YOLO11 con qualche piccola modifica al tuo codice e beneficiare dei miglioramenti diYOLO11che vanno dall'aumento dell'accuratezza e dell'efficienza alla velocità di elaborazione. Se non hai ancora utilizzato modelli come YOLO11, il rilevamento OBB è un ottimo esempio di come YOLO11 possa essere applicato in diversi settori, offrendo soluzioni pratiche che hanno un impatto reale.

In questo articolo vedremo cos'è il rilevamento di oggetti OBB, dove può essere applicato e come utilizzare YOLO11 per rilevare gli OBB. Inoltre, vedremo come le nuove funzionalità di YOLO11 possono migliorare questi processi e come eseguire inferenze e addestrare modelli personalizzati per sfruttare al meglio le sue capacità di rilevamento degli OBB.

Le funzionalità di YOLO11 di prossima generazione includono compiti come il rilevamento di oggetti OBB

Il rilevamento degli oggetti OBB fa un ulteriore passo avanti rispetto al rilevamento tradizionale, rilevando gli oggetti a diverse angolazioni. A differenza dei normali rettangoli di selezione che rimangono allineati agli assi dell'immagine, gli OBB ruotano per adattarsi all'orientamento dell'oggetto. Il rilevamento di oggetti OBB può essere utilizzato per analizzare immagini aeree o satellitari in cui gli oggetti non sono sempre dritti. In settori come l'urbanistica, l'energia e i trasporti, la capacità di rilevare con precisione oggetti angolati come edifici, veicoli o infrastrutture può costituire la base di applicazioni di computer vision con vantaggi tangibili. 

‍

YOLO11 supporta il rilevamento di OBB ed è stato addestrato sul dataset DOTA v1.0 per rilevare oggetti come aerei, navi e serbatoi da diverse prospettive. YOLO11 è disponibile in diverse varianti di modello per soddisfare le diverse esigenze, tra cui YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) e YOLO11x-obb (Extra Large). Ogni modello offre una dimensione diversa, con diversi livelli di velocità, precisione e potenza di calcolo. Gli utenti possono scegliere il modello che offre il giusto equilibrio tra velocità e precisione per la loro applicazione. 

YOLO11 Casi d'uso che introducono un nuovo punto di vista sul rilevamento

YOLO11Le funzionalità di rilevamento degli oggetti di , in particolare il supporto per le bounding box orientate, offrono una maggiore precisione a diversi settori. A seguire, vedremo alcuni esempi di come YOLO11 e il rilevamento di OBB possono essere utilizzati in situazioni reali per rendere i processi più efficienti, accurati e facili da gestire in diversi settori.

Pianificazione urbana e monitoraggio delle infrastrutture con YOLO11

Se hai mai ammirato il design e la struttura di una città, è grazie al lavoro dettagliato della pianificazione urbana e del monitoraggio delle infrastrutture. Uno dei tanti aspetti del monitoraggio delle infrastrutture è l'identificazione e la gestione di strutture importanti come serbatoi di stoccaggio, condutture e siti industriali. YOLO11 può aiutare gli urbanisti ad analizzare le immagini aeree per individuare questi componenti critici in modo rapido e preciso. 

Il rilevamento di oggetti con bounding box orientato è particolarmente utile in questo caso perché consente di rilevare oggetti visti da diverse angolazioni (come spesso accade con le immagini aeree). La precisione è fondamentale per tenere traccia delle zone industriali, gestire l'impatto ambientale e garantire la corretta manutenzione delle infrastrutture. L'OBB rende il processo di rilevamento più affidabile, aiutando gli urbanisti a prendere decisioni informate sulla crescita, la sicurezza e la sostenibilità della città. L'uso di YOLO11 può aiutare gli urbanisti a monitorare e gestire le infrastrutture che fanno funzionare le città senza problemi.

‍

Ispezione dei pannelli solari con droni, YOLO11 e Edge AI

Con la diffusione delle energie rinnovabili e di innovazioni come i parchi solari, le ispezioni regolari diventano sempre più importanti. I pannelli solari devono essere controllati per assicurarsi che funzionino in modo efficiente. Con il passare del tempo, infatti, elementi come crepe, accumuli di sporcizia o disallineamenti possono ridurne le prestazioni. Le ispezioni di routine aiutano a individuare tempestivamente questi problemi, in modo da poter effettuare la manutenzione necessaria per farli funzionare senza problemi.

Ad esempio, i pannelli solari possono essere ispezionati per verificare la presenza di danni utilizzando droni integrati con l'intelligenza artificiale e il sito YOLO11. L'analisi delle immagini sul bordo porta maggiore precisione ed efficienza al processo di ispezione. A causa del movimento e della prospettiva del drone, i filmati di sorveglianza possono spesso riprendere i pannelli solari da diverse angolazioni. In questi casi, il rilevamento OBB di YOLO11può aiutare i droni a identificare con precisione i pannelli solari. 

YOLO11 Può fornire informazioni per la gestione della flotta

Porti e porti movimentano centinaia di navi ogni settimana e la gestione di una flotta così numerosa può essere impegnativa. Un ulteriore elemento di difficoltà è rappresentato dall'analisi delle navi nelle immagini aeree: spesso le navi appaiono con angolazioni diverse. È qui che il supporto diYOLO11per il rilevamento delle OBB si rivela utile. 

Il rilevamento dell'OBB permette al modello di rilevare le navi a varie angolazioni in modo più accurato rispetto alle scatole rettangolari standard. Utilizzando YOLO11 con OBB, le compagnie di navigazione possono identificare più facilmente la posizione e le condizioni della loro flotta, tenendo traccia di dettagli importanti come i movimenti della flotta e la logistica della catena di approvvigionamento. Queste soluzioni basate sulla visione aiutano a ottimizzare le rotte, a ridurre i ritardi e a migliorare la gestione complessiva della flotta lungo le rotte di navigazione.

‍

YOLO11 per gli sviluppatori di intelligenza artificiale: Rilevare le Bounding Box orientate

Se sei uno sviluppatore di intelligenza artificiale e vuoi utilizzare YOLO11 per il rilevamento di OBB, ci sono due semplici opzioni per iniziare. Se ti senti a tuo agio a lavorare con il codice, il pacchettoUltralytics Python è un'ottima scelta. Se invece preferisci una soluzione facile da usare, senza codice e con funzionalità di formazione nel cloud, Ultralytics HUB è una piattaforma interna progettata proprio per questo. Per maggiori dettagli puoi dare un'occhiata alla nostra guida sulla formazione e la distribuzione di Ultralytics YOLO11 utilizzando Ultralytics HUB.

Ora che abbiamo visto alcuni esempi di applicazione del supporto OBB di YOLO11, esploriamo il pacchetto Ultralytics Python e vediamo come è possibile eseguire inferenze e addestrare modelli personalizzati. 

Eseguire inferenze utilizzando YOLO11

Per prima cosa, per utilizzare YOLO11 con Python, dovrai installare il pacchetto Ultralytics . A seconda delle tue preferenze, puoi scegliere di installarlo utilizzando pip, conda o Docker. Per istruzioni passo-passo, puoi consultare la nostra Guida all'installazione diUltralytics . Se dovessi incontrare qualche difficoltà durante l'installazione, la nostra Guida ai problemi comuni offre utili suggerimenti per la risoluzione dei problemi.

Una volta installato il pacchetto Ultralytics , lavorare con YOLO11 è incredibilmente semplice. L'esecuzione di un'inferenza si riferisce al processo di utilizzo di un modello addestrato per fare previsioni su nuove immagini, come il rilevamento di oggetti con OBB in tempo reale. È diverso dall'addestramento del modello, che consiste nell'insegnare al modello a riconoscere nuovi oggetti o a migliorare le sue prestazioni in compiti specifici. L'inferenza viene utilizzata quando si vuole applicare il modello a dati non visti.

L'esempio che segue ti spiega come caricare un modello e utilizzarlo per prevedere i riquadri di delimitazione orientati di un'immagine. Per esempi più dettagliati e suggerimenti avanzati sull'uso, consulta la documentazione ufficiale di Ultralytics per conoscere le migliori pratiche e ulteriori istruzioni.

‍

Addestramento di un modello personalizzato YOLO11

L'addestramento di un modello YOLO11 ti permette di perfezionare le sue prestazioni su set di dati e compiti specifici, come il rilevamento di oggetti con bounding box orientato. Mentre i modelli pre-addestrati come YOLO11 possono essere utilizzati per il rilevamento di oggetti in generale, l'addestramento di un modello personalizzato è essenziale quando hai bisogno che il modello rilevi oggetti unici o ottimizzi le prestazioni su un set di dati specifico.

Nel frammento di codice che segue, vengono illustrati i passaggi per l'addestramento di un modello YOLO11 per il rilevamento delle OBB. 

Per prima cosa, il modello viene inizializzato utilizzando i pesi pre-addestrati specifici di YOLO11 OBB (yolo11n-obb.pt). Successivamente, viene utilizzata una funzione di addestramento per allenare il modello su un set di dati personalizzato, con parametri quali il file di configurazione del set di dati, il numero di cicli di addestramento, le dimensioni dell'immagine di addestramento e l'hardware su cui eseguire l'addestramento (ad esempio, CPU o GPU). Dopo l'addestramento, le prestazioni del modello vengono convalidate per verificare parametri come l'accuratezza e la perdita. 

Utilizzando il modello addestrato, puoi eseguire inferenze su nuove immagini per rilevare gli oggetti con OBB e visualizzarli. Inoltre, il modello addestrato può essere convertito in formati quali ONNX per la distribuzione utilizzando la funzione di esportazione.

‍

La strada da seguire per i progressi dell'IA di YOLO11

Ultralytics YOLO11 porta il rilevamento degli oggetti a un livello superiore grazie al supporto dei rettangoli di selezione orientati. Grazie alla capacità di rilevare gli oggetti a diverse angolazioni, YOLO11 può essere utilizzato per varie applicazioni in diversi settori. Ad esempio, è perfetto per settori come l'urbanistica, l'energia e le spedizioni, dove la precisione è fondamentale per attività come l'ispezione dei pannelli solari o il monitoraggio della flotta. Grazie a prestazioni più veloci e a una maggiore precisione, YOLO11 può aiutare gli sviluppatori di intelligenza artificiale a risolvere le sfide del mondo reale. 

Man mano che l'IA viene adottata e integrata nella nostra vita quotidiana, modelli come YOLO11 daranno forma al futuro delle soluzioni di IA.

Per conoscere le potenzialità di Vision AI, unisciti alla nostra comunità in crescita ed esplora il nostro repository GitHub. Stiamo guidando l'innovazione reinventando settori come l'assistenza sanitaria e le auto a guida autonoma.