Compreende como Ultralytics YOLO11 pode melhorar a deteção de objectos utilizando caixas delimitadoras orientadas (OBB) e para que aplicações esta tarefa de visão por computador é ideal.
Ultralytics' , YOLO Vision 2024 (YV24), centrou-se na discussão dos mais recentes avanços em IA e visão computacional. Esta foi a ocasião perfeita para apresentar o nosso mais recente modelo, Ultralytics YOLO11. O modelo suporta as mesmas tarefas de visão computacional que o . Ultralytics YOLOv8tornando a mudança para o novo modelo sem esforço para os utilizadores.
Suponha que estava a utilizar YOLOv8 para deteção de objectos com caixas delimitadoras orientadas (OBB) para detetar objectos de vários ângulos. Agora podes mudar para YOLO11 com algumas pequenas alterações no teu código e beneficiar das melhorias deYOLO11 que vão desde uma maior precisão e eficiência até à velocidade de processamento. Caso ainda não tenhas utilizado modelos como YOLO11, a deteção de OBB é um excelente exemplo de como YOLO11 pode ser aplicado numa série de indústrias, oferecendo soluções práticas que têm um impacto real.
Neste artigo, veremos o que é a deteção de objectos OBB, onde pode ser aplicada e como utilizar o YOLO11 para detetar OBB. Também explicaremos como as novas funcionalidades do YOLO11 podem melhorar estes processos e como executar inferências e treinar modelos personalizados para tirar o máximo partido das suas capacidades de deteção de OBB.
A deteção de objectos OBB leva a deteção de objectos tradicional um passo à frente, detectando objectos em diferentes ângulos. Ao contrário das caixas delimitadoras normais que se mantêm alinhadas com os eixos da imagem, as OBBs rodam para se adaptarem à orientação do objeto. A deteção de objectos OBB pode ser utilizada para analisar imagens aéreas ou de satélite em que os objectos nem sempre estão direitos. Em indústrias como o planeamento urbano, a energia e os transportes, a capacidade de detetar com precisão objectos angulares como edifícios, veículos ou infra-estruturas pode constituir a base de aplicações de visão por computador com benefícios tangíveis.
YOLO11 suporta a deteção de OBBs e foi treinado no conjunto de dados DOTA v1.0 para detetar objectos como aviões, navios e tanques de armazenamento a partir de diferentes perspectivas. YOLO11 vem em diversas variações de modelos para atender a diferentes necessidades, incluindo YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) e YOLO11x-obb (Extra Large). Cada modelo oferece um tamanho diferente, com diferentes níveis de velocidade, precisão e potência computacional. Os utilizadores podem escolher o modelo que oferece o equilíbrio certo de velocidade e precisão para a sua aplicação.
YOLO11As capacidades de deteção de objectos do , especialmente o seu suporte para caixas delimitadoras orientadas, proporcionam uma maior precisão a várias indústrias. De seguida, veremos alguns exemplos de como a deteção de YOLO11 e OBB pode ser utilizada em situações reais para tornar os processos mais eficientes, precisos e fáceis de gerir em diferentes áreas.
Se alguma vez admiraste o design e a disposição de uma cidade, isso deve-se ao trabalho detalhado de planeamento urbano e monitorização de infra-estruturas. Um dos muitos aspectos da monitorização de infra-estruturas é a identificação e gestão de estruturas importantes como tanques de armazenamento, condutas e instalações industriais. YOLO11 pode ajudar os planeadores urbanos a analisar imagens aéreas para detetar estes componentes críticos de forma rápida e precisa.
A deteção de objectos com caixa delimitadora orientada é particularmente útil neste caso porque permite a deteção de objectos vistos de vários ângulos (frequentemente o caso com imagens aéreas). A precisão é vital neste caso para controlar as zonas industriais, gerir os impactos ambientais e garantir a manutenção adequada das infra-estruturas. O OBB torna o processo de deteção mais fiável, ajudando os responsáveis pelo planeamento a tomar decisões informadas sobre o crescimento, a segurança e a sustentabilidade da cidade. A utilização de YOLO11 pode ajudar os planeadores a monitorizar e gerir a infraestrutura que mantém as cidades a funcionar sem problemas.
À medida que as energias renováveis e as inovações como os parques solares se tornam mais populares, as inspecções regulares estão a tornar-se mais importantes. Os painéis solares têm de ser verificados para garantir que estão a funcionar eficientemente. Com o tempo, coisas como fissuras, acumulação de sujidade ou desalinhamento podem diminuir o seu desempenho. As inspecções de rotina ajudam a detetar estes problemas atempadamente, pelo que pode ser feita a manutenção para os manter a funcionar sem problemas.
Por exemplo, os painéis solares podem ser inspeccionados quanto a danos utilizando drones que estão integrados com IA de ponta e YOLO11. A análise de imagens no limite traz mais precisão e eficiência ao processo de inspeção. Devido ao movimento e à perspetiva do drone, as imagens de vigilância podem frequentemente captar painéis solares de vários ângulos. Nestes casos, a deteção de OBB da YOLO11pode ajudar os drones a identificar com precisão os painéis solares.
Os portos movimentam centenas de navios por semana e a gestão de uma frota tão grande pode ser um desafio. A análise de navios em imagens aéreas envolve um elemento adicional de dificuldade; os navios aparecem frequentemente em ângulos diferentes. É aqui que o suporte doYOLO11para a deteção de OBB é útil.
A deteção OBB permite que o modelo detecte navios em vários ângulos com maior precisão do que as caixas rectangulares normais. Ao utilizar o YOLO11 com OBB, as empresas de transporte marítimo podem identificar mais facilmente a localização e o estado da sua frota, mantendo o controlo de detalhes importantes como os movimentos da frota e a logística da cadeia de fornecimento. Estas soluções de visão ajudam a otimizar as rotas, a reduzir os atrasos e a melhorar a gestão global da frota nas rotas marítimas.
Se és um programador de IA que pretende utilizar YOLO11 para a deteção de OBB, existem duas opções fáceis para começar. Se te sentes confortável a trabalhar com código, o pacoteUltralytics Python é uma excelente escolha. Se preferires uma solução fácil de utilizar, sem código, com capacidades de formação na nuvem, o Ultralytics HUB é uma plataforma interna concebida apenas para isso. Para mais detalhes, podes consultar o nosso guia sobre formação e implementação de Ultralytics YOLO11 utilizando o Ultralytics HUB.
Agora que vimos exemplos de como o suporte OBB de YOLO11pode ser aplicado, vamos explorar o pacote Ultralytics Python e ver como podes executar inferências e treinar modelos personalizados utilizando-o.
Primeiro, para usar YOLO11 com Python, precisas de instalar o pacote Ultralytics . Dependendo das tuas preferências, podes optar por instalá-lo usando pip, conda ou Docker. Para obteres instruções passo a passo, podes consultar o nosso Guia de InstalaçãoUltralytics . Se enfrentares algum desafio durante a instalação, o nosso Guia de Problemas Comuns oferece dicas úteis de resolução de problemas.
Depois de instalares o pacote Ultralytics , trabalhar com YOLO11 é incrivelmente simples. A execução de uma inferência refere-se ao processo de utilização de um modelo treinado para fazer previsões sobre novas imagens - como a deteção de objectos com OBB em tempo real. É diferente do treino de modelos, que é quando ensinas o modelo a reconhecer novos objectos ou a melhorar o seu desempenho em tarefas específicas. A inferência é utilizada quando se pretende aplicar o modelo a dados não vistos.
O exemplo abaixo mostra-te como carregar um modelo e utilizá-lo para prever caixas delimitadoras orientadas numa imagem. Para obter exemplos mais detalhados e dicas de utilização avançada, consulta a documentação oficial Ultralytics para obteres as melhores práticas e mais instruções.
Treinar um modelo YOLO11 significa que podes afinar o seu desempenho em conjuntos de dados e tarefas específicos, como a deteção orientada de objectos com caixa delimitadora. Embora os modelos pré-treinados, como o YOLO11 , possam ser utilizados para a deteção geral de objectos, o treino de um modelo personalizado é essencial quando é necessário que o modelo detecte objectos únicos ou optimize o desempenho num conjunto de dados específico.
No trecho de código abaixo, abordamos as etapas para treinar um modelo YOLO11 para deteção de OBB.
Primeiro, o modelo é inicializado utilizando pesos pré-treinados específicos do YOLO11 OBB (yolo11n-obb.pt). Em seguida, é utilizada uma função de treino para treinar o modelo num conjunto de dados personalizado, com parâmetros como o ficheiro de configuração do conjunto de dados, o número de ciclos de treino, o tamanho da imagem de treino e o hardware em que o treino deve ser executado (por exemplo, CPU ou GPU). Após o treino, o desempenho do modelo é validado para verificar métricas como a precisão e a perda.
Utilizando o modelo treinado, podes executar inferências em novas imagens para detetar objectos com OBB e visualizá-los. Além disso, o modelo treinado pode ser convertido para formatos como ONNX para implantação usando o recurso de exportação.
Ultralytics YOLO11 leva a deteção de objectos para o próximo nível com o seu suporte para caixas delimitadoras orientadas. Ao ser capaz de detetar objectos em diferentes ângulos, o YOLO11 pode ser utilizado para várias aplicações em diferentes indústrias. Por exemplo, é perfeito para indústrias como o planeamento urbano, a energia e a navegação, onde a precisão é crucial para tarefas como a inspeção de painéis solares ou a monitorização de frotas. Com um desempenho mais rápido e uma precisão melhorada, o YOLO11 pode ajudar os programadores de IA a resolver desafios do mundo real.
À medida que a IA se torna mais amplamente adoptada e integrada na nossa vida quotidiana, modelos como YOLO11 irão moldar o futuro das soluções de IA.
Para saberes mais sobre o potencial da Vision AI, junta-te à nossa crescente comunidade e explora o nosso repositório GitHub. Estamos a impulsionar a inovação, reinventando sectores como os cuidados de saúde e os carros autónomos.
Começa a tua viagem com o futuro da aprendizagem automática
