​

💡💡💡Содержание этой статьи: YOLO11 OBB реализует обнаружение цели вращения дефектов в своем собственном наборе данных, начиная с 1) маркировки данных 2) преобразования формата данных json в формат txt, подходящий для yolo; 3) обучения модели;

1.Введение YOLO11

Ultralytics YOLO11 — передовая, современная модель.,Он основан на успехе предыдущих выпусков YOLO.,и представляет новые функции и улучшения,для дальнейшего улучшения производительности и гибкости。YOLO11 спроектирован так, чтобы быть быстрым, точным и простым в использовании, что делает его отличным выбором для различных задач обнаружения и отслеживания объектов, сегментации экземпляров, классификации изображений и задач оценки позы.

Представители OBB провели дополнительные тесты набора данных (DOTAv1):

2. Знакомство с вращающейся мишенью OBB.

Формат YOLO OBB определяет ограничивающую рамку четырьмя угловыми точками с координатами, нормализованными между 0 и 1. Он имеет следующий формат:

class_index, x1, y1, x2, y2, x3, y3, x4, y4

Внутренне YOLO обрабатывает потери и выводит результаты в формате xywhr, который представляет центральную точку (xy), ширину, высоту и вращение ограничивающей рамки.

2.1 скачать этикетку

# Установить ярлык
pip install labelme

2.2 Использование ярлыка

Запуск непосредственно в среде Python

labelme

2.3 введение в этикетку

1) Create Polygons создает многоугольный блок;

3. Знакомство с набором данных вращения QR-кода.

Обучающий набор, проверочный набор и тестовый набор составляют: 1894, 100 и 101 изображение соответственно.

3.1 obb генерирует txt, подходящий для формата yolo

obb_json_to_txt

Пошаговое руководство по распознаванию вращающихся объектов (OBB) YOLO11: аннотация набора данных | Преобразование формата данных Как обучать и тестировать — блог CSDN

4. Тренировка с вращающейся мишенью OBB

Просто скачайте последнюю версию, которая уже поддерживает OBB.

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

4.1 qrcode-obb.yaml

path: D:/ultralytics-11/data/qrcode-obb/ 
train: train/images
val: valid/images
test: test/images

names: 
  0: qr_code

4.2 Как тренироваться

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/11/yolo11-obb.yaml')
    #model.load('yolov11.pt') # loading pretrain weights
    model.train(data='data/qrcode-obb.yaml',
                cache=False,
                imgsz=640,
                epochs=200,
                batch=16,
                close_mosaic=10,
                device='0',
                optimizer='SGD', # using SGD
                project='runs/train',
                name='exp',
                )

4.3 Визуализация результатов обучения

YOLO11-obb summary (fused): 300 layers, 2,897,630 parameters, 0 gradients, 6.6 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 7/7 [00:04<00:00,  1.53it/s]
                   all         99        128      0.953      0.955      0.966      0.908