Пойми, как Ultralytics YOLO11 может улучшить обнаружение объектов с помощью ориентированных ограничительных коробок (OBB) и для каких приложений идеально подходит эта задача компьютерного зрения.
Ultralytics' ежегодное гибридное мероприятие YOLO Vision 2024 (YV24), посвященное обсуждению последних прорывов в области искусственного интеллекта и компьютерного зрения. Это был идеальный повод представить нашу новейшую модель, Ultralytics YOLO11. Эта модель поддерживает те же задачи компьютерного зрения, что и Ultralytics YOLOv8, что делает переход на новую модель необременительным для пользователей.
Предположим, ты использовал YOLOv8 для обнаружения объектов по ориентированным граничным коробкам (OBB), чтобы обнаруживать объекты под разными углами. Теперь ты можешь перейти на YOLO11 , внеся несколько незначительных изменений в свой код, и воспользоваться улучшениямиYOLO11, начиная от повышения точности и эффективности и заканчивая скоростью обработки. Если ты еще не использовал такие модели, как YOLO11, то обнаружение OBB - это отличный пример того, как YOLO11 может применяться в различных отраслях, предлагая практические решения, которые приносят реальную пользу.
В этой статье мы рассмотрим , что такое обнаружение объектов OBB, где оно может применяться и как использовать YOLO11 для обнаружения OBB. Мы также рассмотрим, как новые функции YOLO11 могут улучшить эти процессы и как делать выводы и обучать пользовательские модели, чтобы максимально использовать возможности обнаружения OBB.
Обнаружение объектов с помощью OBB делает традиционное обнаружение объектов еще одним шагом вперед, обнаруживая объекты под разными углами. В отличие от обычных ограничивающих рамок, которые остаются выровненными по осям изображения, OBB вращаются, чтобы соответствовать ориентации объекта. Обнаружение объектов с помощью OBB можно использовать для анализа воздушных или спутниковых изображений, где объекты не всегда расположены прямо. В таких отраслях, как градостроительство, энергетика и транспорт, способность точно обнаруживать наклонные объекты, например здания, автомобили или инфраструктуру, может стать основой приложений компьютерного зрения, приносящих ощутимую пользу.
YOLO11 Он поддерживает обнаружение OBB и был обучен на наборе данных DOTA v1.0, чтобы обнаруживать такие объекты, как самолеты, корабли и резервуары с разных ракурсов. YOLO11 выпускается в нескольких вариантах моделей для разных нужд, включая YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) и YOLO11x-obb (Extra Large). Каждая модель предлагает разные размеры, с разным уровнем скорости, точности и вычислительной мощности. Пользователи могут выбрать модель, которая предлагает правильный баланс скорости и точности для их приложения.
YOLO11возможности обнаружения объектов, особенно поддержка ориентированных ограничительных коробок, обеспечивают большую точность в различных отраслях. Далее мы рассмотрим несколько примеров того, как YOLO11 и обнаружение OBB можно использовать в реальных ситуациях, чтобы сделать процессы более эффективными, точными и легкими в управлении в различных областях.
Если ты когда-нибудь восхищался дизайном и планировкой города, то это благодаря детальной работе градостроителей и мониторингу инфраструктуры. Одним из многочисленных аспектов мониторинга инфраструктуры является выявление и управление такими важными структурами, как резервуары, трубопроводы и промышленные объекты. YOLO11 может помочь градостроителям анализировать аэрофотоснимки, чтобы быстро и точно обнаружить эти критически важные компоненты.
Обнаружение объектов в ориентированных границах здесь особенно полезно, потому что позволяет обнаруживать объекты, рассматриваемые под разными углами (что часто бывает при использовании аэроснимков). Точность здесь жизненно необходима, чтобы отслеживать промышленные зоны, управлять воздействием на окружающую среду и обеспечивать надлежащее содержание инфраструктуры. OBB делает процесс обнаружения более надежным, помогая планировщикам принимать обоснованные решения о росте, безопасности и устойчивости города. Использование YOLO11 может помочь планировщикам контролировать и управлять инфраструктурой, которая обеспечивает бесперебойную работу городов.
По мере того как возобновляемые источники энергии и такие инновации, как солнечные фермы, становятся все более популярными, регулярные проверки приобретают все большее значение. Солнечные панели нужно проверять, чтобы убедиться, что они работают эффективно. Со временем такие вещи, как трещины, скопление грязи или несоосность, могут снизить их производительность. Регулярные осмотры помогают выявить эти проблемы на ранней стадии, поэтому можно провести техническое обслуживание, чтобы они работали бесперебойно.
Например, солнечные панели можно осматривать на предмет повреждений с помощью дронов, интегрированных с краевым ИИ и YOLO11. Анализ изображений на грани позволяет повысить точность и эффективность процесса осмотра. Из-за движения дрона и ракурса на кадрах наблюдения солнечные панели часто могут быть запечатлены под разными углами. В таких случаях YOLO11'OBB detection' может помочь дронам точно идентифицировать солнечные панели.
Порты и гавани еженедельно обрабатывают сотни судов, и управлять таким большим флотом может быть непросто. Дополнительный элемент сложности возникает при анализе кораблей на аэрофотоснимках: суда часто появляются под разными углами. Вот тут-то и пригодится поддержкаYOLO11для обнаружения OBB.
Благодаря обнаружению OBB модель может обнаруживать суда под разными углами более точно, чем стандартные прямоугольные коробки. Используя YOLO11 с OBB, судоходные компании могут легче определять местоположение и состояние своего флота, отслеживая такие важные детали, как перемещение флота и логистика цепочки поставок. Такие решения с использованием технического зрения помогают оптимизировать маршруты, сократить задержки и улучшить общее управление флотом на всех морских путях.
Если ты разработчик ИИ, желающий использовать YOLO11 для обнаружения OBB, есть два простых варианта для начала работы. Если тебе удобно работать с кодом, то пакетUltralytics Python - отличный выбор. Если же ты предпочитаешь удобное решение без кода с возможностью обучения в облаке, то Ultralytics HUB - это собственная платформа, созданная как раз для этого. Для получения более подробной информации ты можешь взглянуть на наше руководство по обучению и развертыванию Ultralytics YOLO11 с помощью Ultralytics HUB.
Теперь, когда мы увидели примеры того, где можно применить поддержку YOLO11'OBB, давай изучим пакет Ultralytics Python и посмотрим, как с его помощью можно проводить умозаключения и обучать пользовательские модели.
Во-первых, чтобы использовать YOLO11 с Python, тебе нужно установить пакет Ultralytics . В зависимости от твоих предпочтений, ты можешь выбрать установку с помощью pip, conda или Docker. Для получения пошаговых инструкций ты можешь обратиться к нашему руководству по установкеUltralytics . Если во время установки ты столкнешься с какими-либо трудностями, в нашем руководстве по общим проблемам ты найдешь полезные советы по устранению неполадок.
Как только ты установишь пакет Ultralytics , работа с YOLO11 станет невероятно простой. Выполнение умозаключений - это процесс использования обученной модели для предсказаний на новых изображениях - например, обнаружение объектов с помощью OBB в реальном времени. Это отличается от обучения модели, когда ты учишь модель распознавать новые объекты или улучшаешь ее производительность при выполнении конкретных задач. Инференция используется, когда ты хочешь применить модель к невидимым данным.
В примере ниже ты узнаешь, как загрузить модель и использовать ее для предсказания ориентированных ограничительных рамок на изображении. Для более подробных примеров и советов по использованию обязательно ознакомься с официальной документациейUltralytics , где описаны лучшие практики и дальнейшие инструкции.
Обучение модели YOLO11 означает, что ты сможешь точно настроить ее производительность на конкретных наборах данных и задачах, таких как обнаружение объектов с ориентированной ограничительной рамкой. Хотя предварительно обученные модели, такие как YOLO11 , можно использовать для общего обнаружения объектов, обучение пользовательской модели необходимо, когда тебе нужно, чтобы модель обнаруживала уникальные объекты или оптимизировала производительность на конкретном наборе данных.
В приведенном ниже фрагменте кода мы рассмотрим шаги по обучению модели YOLO11 для обнаружения OBB.
Сначала модель инициализируется с помощью предварительно обученных весов YOLO11 , специфичных для OBB (yolo11n-obb.pt). Затем используется функция обучения для тренировки модели на пользовательском наборе данных с такими параметрами, как файл конфигурации набора данных, количество циклов обучения, размер тренировочного изображения и аппаратное обеспечение, на котором будет выполня ться обучение (например, CPU или GPU). После обучения производительность модели проверяется с помощью таких метрик, как точность и потери.
Используя обученную модель, ты можешь запускать умозаключения на новых изображениях, чтобы обнаружить объекты с OBB и визуализировать их. Кроме того, обученную модель можно преобразовать в такие форматы, как ONNX для развертывания с помощью функции экспорта.
Ultralytics YOLO11 выводит обнаружение объектов на новый уровень благодаря поддержке ориентированных ограничительных коробок. Благодаря возможности обнаруживать объекты под разными углами, YOLO11 можно использовать для различных приложений в разных отраслях. Например, он отлично подойдет для таких отраслей, как градостроительство, энергетика и судоходство, где точность крайне важна для таких задач, как проверка солнечных батарей или мониторинг автопарка. Благодаря более высокой производительности и улучшенной точности YOLO11 поможет разработчикам ИИ решать реальные задачи.
По мере того как ИИ будет все шире внедряться и интегрироваться в нашу повседневную жизнь, такие модели, как YOLO11 , будут определять будущее ИИ-решений.
Чтобы узнать о потенциале Vision AI, присоединяйся к нашему растущему сообществу и изучи наш репозиторий на GitHub. Мы двигаем инновации, переосмысливая такие отрасли, как здравоохранение и самодвижущиеся автомобили.
Начни свое путешествие с будущим машинного обучения
