定向边界框 目标检测

定向目标检测比目标检测更进一步，引入额外的角度以在图像中更准确地定位物体。

定向目标检测器的输出是一组旋转的边界框，这些边界框精确地包围图像中的物体，并附带每个框的类别标签和置信度分数。当你需要识别场景中的感兴趣物体，但不需要确切知道物体的位置或其精确形状时，目标检测是一个不错的选择。

观看: 使用Ultralytics YOLO定向边界框（YOLO-OBB）进行目标检测

视觉样本

使用OBB进行船舶检测	使用OBB进行车辆检测

模型

这里展示了YOLO11预训练的OBB模型，这些模型在DOTAv1数据集上进行了预训练。

模型在首次使用时会自动从Ultralytics的最新发布中下载。

• mAP^test 值是在DOTAv1数据集上使用单模型多尺度测试的结果。
  通过yolo val obb data=DOTAv1.yaml device=0 split=test重现，并将合并结果提交至DOTA评估。
• 速度 在Amazon EC2 P4d实例上对DOTAv1验证图像进行平均。
  通过yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu重现。

训练

在图像大小为640的情况下，对DOTA8数据集上的YOLO11n-obb进行100个epoch的训练。有关可用参数的完整列表，请参阅配置页面。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-obb.yaml")  # 从YAML构建新模型
model = YOLO("yolo11n-obb.pt")  # 加载预训练模型（推荐用于训练）
model = YOLO("yolo11n-obb.yaml").load("yolo11n.pt")  # 从YAML构建并转移权重

# 训练模型
results = model.train(data="dota8.yaml", epochs=100, imgsz=640)

# 从YAML构建新模型并从头开始训练
yolo obb train data=dota8.yaml model=yolo11n-obb.yaml epochs=100 imgsz=640

# 从预训练的*.pt模型开始训练
yolo obb train data=dota8.yaml model=yolo11n-obb.pt epochs=100 imgsz=640

# 从YAML构建新模型，转移预训练权重并开始训练
yolo obb train data=dota8.yaml model=yolo11n-obb.yaml pretrained=yolo11n-obb.pt epochs=100 imgsz=640

观看：如何使用Ultralytics HUB在DOTA数据集上训练Ultralytics YOLO-OBB（定向边界框）模型

数据集格式

OBB数据集格式详细信息可在数据集指南中找到。

验证

在DOTA8数据集上验证训练好的YOLO11n-obb模型的准确性。不需要参数，因为model保留了训练时的data和参数作为模型属性。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-obb.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 验证模型
metrics = model.val(data="dota8.yaml")  # 不需要参数，数据集和设置已记住
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # 包含每个类别的map50-95(B)的列表

yolo obb val model=yolo11n-obb.pt data=dota8.yaml  # 验证官方模型
yolo obb val model=path/to/best.pt data=path/to/data.yaml  # 验证自定义模型

预测

使用训练好的YOLO11n-obb模型对图像进行预测。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-obb.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 使用模型进行预测
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测

yolo obb predict model=yolo11n-obb.pt source='https://ultralytics.com/images/bus.jpg'  # 使用官方模型进行预测
yolo obb predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # 使用自定义模型进行预测

观看：如何使用Ultralytics YOLO-OBB检测和跟踪储罐 | 定向边界框 | DOTA

在预测页面查看完整的predict模式详情。

导出

将YOLO11n-obb模型导出为不同的格式，如ONNX、CoreML等。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-obb.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义训练模型

# 导出模型
model.export(format="onnx")

yolo export model=yolo11n-obb.pt format=onnx  # 导出官方模型
yolo export model=path/to/best.pt format=onnx  # 导出自定义训练模型

下表列出了可用的YOLO11-obb导出格式。您可以使用format参数导出为任何格式，例如format='onnx'或format='engine'。您可以直接在导出的模型上进行预测或验证，例如yolo predict model=yolo11n-obb.onnx。导出完成后，将显示您的模型的使用示例。

在导出页面查看完整的export详情。

常见问题

什么是定向边界框（OBB），它们与常规边界框有何不同？

定向边界框（OBB）包括一个额外的角度，以提高图像中对象定位的准确性。与轴对齐的常规边界框不同，OBB可以旋转以更好地适应对象的方向。这对于需要精确对象放置的应用特别有用，例如航空或卫星图像（数据集指南）。

如何使用自定义数据集训练YOLO11n-obb模型？

要使用自定义数据集训练YOLO11n-obb模型，请按照以下示例使用Python或CLI：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolo11n-obb.pt")

# 训练模型
results = model.train(data="path/to/custom_dataset.yaml", epochs=100, imgsz=640)

yolo obb train data=path/to/custom_dataset.yaml model=yolo11n-obb.pt epochs=100 imgsz=640

有关更多训练参数，请查看配置部分。

我可以使用哪些数据集来训练YOLO11-OBB模型？

YOLO11-OBB模型在DOTAv1等数据集上进行了预训练，但您可以使用任何为OBB格式化的数据集。有关OBB数据集格式的详细信息，请参阅数据集指南。

如何将YOLO11-OBB模型导出为ONNX格式？

使用Python或CLI将YOLO11-OBB模型导出为ONNX格式非常简单：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-obb.pt")

# 导出模型
model.export(format="onnx")

yolo export model=yolo11n-obb.pt format=onnx

更多导出格式和详细信息，请参阅导出页面。

如何验证YOLO11n-obb模型的准确性？

要验证YOLO11n-obb模型，您可以使用以下Python或CLI命令：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-obb.pt")

# 验证模型
metrics = model.val(data="dota8.yaml")

yolo obb val model=yolo11n-obb.pt data=dota8.yaml

有关完整的验证细节，请参阅验证部分。

📅 Created 9 months ago ✏️ Updated 3 days ago

Comments