YOLOv8 Ultralytics：使用Ultralytics框架进行定向边界框对象检测

最新推荐文章于 2025-03-28 22:25:05 发布
最新推荐文章于 2025-03-28 22:25:05 发布
阅读量1.9k 收藏 23
点赞数 30
分类专栏： YOLO系列 文章标签： YOLO 人工智能 目标检测 pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FriendshipTang/article/details/135536641
版权

YOLOv8 Ultralytics：使用Ultralytics框架进行定向边界框对象检测

在这里插入图片描述
在这里插入图片描述

前言

相关介绍

  • YOLOv8是YOLO系列实时目标检测器的最新版本，在准确性和速度方面提供了尖端的性能。基于以前的YOLO版本的进步，YOLOv8引入了新的功能和优化，使其成为各种应用中各种目标检测任务的理想选择。
  • YOLOv8官方文档：https://docs.ultralytics.com/
  • 定向对象检测比对象检测更进一步，引入了额外的角度来更准确地定位图像中的对象。
  • 定向对象检测器的输出是一组旋转的边界框，精确包围图像中的对象，以及每个框的类标签和置信度分数。当您需要识别场景中感兴趣的对象，但不需要知道对象的确切位置或其确切形状时，对象检测是一个不错的选择。

前提条件

实验环境

matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.6.0
Pillow>=7.1.2
PyYAML>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.64.0
tensorboard>=2.4.1
pandas>=1.1.4
seaborn>=0.11.0

安装环境

pip install ultralytics
# 或者
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple # 国内清华源，下载速度更快

在这里插入图片描述

在这里插入图片描述

项目地址

Linux

git clone https://github.com/ultralytics/ultralytics.git

Cloning into 'ultralytics'...
remote: Enumerating objects: 4583, done.
remote: Counting objects: 100% (4583/4583), done.
remote: Compressing objects: 100% (1270/1270), done.
remote: Total 4583 (delta 2981), reused 4576 (delta 2979), pack-reused 0
Receiving objects: 100% (4583/4583), 23.95 MiB | 1.55 MiB/s, done.
Resolving deltas: 100% (2981/2981), done.

Windows

请到https://github.com/ultralytics/ultralytics.git网站下载源代码zip压缩包。

使用Ultralytics框架进行定向边界框对象检测

在这里插入图片描述

yolo obb predict model=yolov8n-obb.pt source=images/plane.png

在这里插入图片描述

在这里插入图片描述

参考文献

[1] YOLOv8 源代码地址：https://github.com/ultralytics/ultralytics.git.
[2] YOLOv8 Docs：https://docs.ultralytics.com/
[3] https://docs.ultralytics.com/tasks/obb/

YOLOv8.1 都有哪些新特性？Ultralytics v8.1.0 release：OBB - Oriented object detection 定向目标检测
shiter编写程序的艺术
02-08 565
使用定向包围框（oriented bounding box）进行目标检测可以通过减少与背景区域的重叠来更好地定位有旋转倾斜的目标。现有的OBB方法大多是在水平包围框检测器（horizontal bounding box）上通过引入额外的角度尺度（通过距离损失进行优化）构建的。定向物体检测比物体检测更进一步，并引入了一个额外的角度来更准确地定位图像中的物体。定向对象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了图像中的对象，以及每个框的类标签和置信度分数。
【YOLOv8改进】MPDIoU：有效和准确的边界框损失回归函数 (论文笔记+引入代码)
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
01-31 7099
​边界框回归（BBR）在目标检测和实例分割中被广泛使用，这是目标定位中的一个重要步骤。然而，大多数现有的边界框回归损失函数在预测框与真实框的宽高比相同，但宽度和高度值完全不同时，无法被优化。为了解决上述问题，我们充分探索了水平矩形的几何特征，并提出了一种基于最小点距离的新颖边界框相似度比较度量MPDIoU，该度量包含了现有损失函数中考虑的所有相关因素，即重叠或非重叠区域、中心点距离以及宽度和高度的偏差，同时简化了计算过程。在此基础上，我们提出了一种基于MPDIoU的边界框回归损失函数，称为LMPDIoU。
定向边界框的非极大值抑制：用于在定向边界框 (OBB) 重叠的情况下抑制非极大值-matlab开发
05-30
函数“nms_orienting_rectangles”可用于根据分数将许多重叠的定向边界框合并为一个。 该方法使用分离轴定理进行重叠检测。 注意：此实现基于XY坐标系统，而不基于Matlab的行*列矩阵索引系统。 因此，在从 MATLAB 调用此函数之前，请确保将顶点转换为 XY 坐标系。 例如。 如果您在图像处理中使用它，则图像的像素将以 (a,b) 命名，其中 a 是行号，b 是列号。 通过移动原点将其转换为 XY 坐标系。 发邮件给我
教你快速上手YOLO系列模型训练与验证：Ultralytics框架简明教程
最新发布
Mickey的博客
03-28 653
本文是Ultralytics官方中文文档的精华简化版，建议搭配官方完整文档学习 ✅ 提取官方文档核心内容✅ 避开初学者常见深坑✅ 提供可直接运行的代码片段✅ 用最简流程实现YOLO目标检测实战。
yolov8旋转目标检测从原理到模型训练、部署、验证、推理（附代码）
QQ_1309399183的博客
10-25 1312
yolov8旋转目标检测从原理到模型训练、部署、验证、推理（附代码）
Oriented R-CNN for Object Detection(定向R-CNN的目标检测)
左右-HPU
05-17 1639
图1为，生成定向提案的不同方案的比较。(a)旋转RPN密集放置不同尺度、比例、角度的旋转锚。(b) RoI Transformer+从水平RoI中学习定向提案。它包括RPN、RoI对齐和回归。(c)我们以建议为导向的RPN以几乎没有成本的方式产生高质量的建议。定向RPN的参数数约为RoI Transformer+的1/3000，旋转RPN的1/15。它在每个位置放置54个不同角度、尺度和宽高比(3个scales×3 ratios×6角度)的锚点。
边界量（BV）和空间分区（SP）(轴对准边界框AABB,定向边界框OBB)
kirsten111111的博客
01-12 999
•一个1000x1000的场景图像，其中包含100个对象的1000个多边形中的每个物体需要1000亿个交叉点计算，才能第一次命中射线跟踪。如果b^2-4ac> 0，则将根替换为线方程，以给出相交点的（x，y，z）；•A，B，C是多边形正常向量NP的组件，D是通过将任何顶点替换为（AX+by+Cz+d = 0）来计算的。•带中心（L，M，N）的球体，半径为R：（X-L）^2 +（Y-M）^2 +（Z-N）^2 = R ^2。•使用两个点（x1，y1，z1）和（x2，y2，z2）给定射线（线）方程式。
​训练自定义数据集 YOLOv8 OBB - 定向边界框
Warmer_Sweeter
10-07 741
点击下方卡片，关注“小白玩转Python”公众号YOLOv8 定向目标检测什么是定向边界框目标检测？“定向边界框目标检测”指的是在图像或视频中识别和定位对象的同时，还估计它们的方向。这种方法在处理有一定旋转或方向变化的对象时特别有用，例如汽车、飞机或文本。定向目标检测器的输出是一组旋转的边界框，这些框精确地包围图像中的对象，每个框都有类别标签和置信度分数。当您需要识别场景中感兴趣的对象，但不需要知...
UltralyticsYOLOv8_ultralytics使用(2)
2401_84003630的博客
04-21 830
results = model.train(data=‘coco128.yaml’, epochs=3)results = model.val()results = model(‘https://ultralytics.com/images/bus.jpg’)success = model.export(format=‘onnx’) from ultralytics import YOLOmodel = YOLO(‘yolov8n.pt’) # pretrained YOLOv8n modelresult
UltralyticsYOLOv8_ultralytics使用
2401_84003733的博客
04-21 1257
pip install ultralytics yolo TASK MODE ARGS yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01 yolo predict model=yolov8n-seg.pt source=‘https://youtu.be/LNwODJXcvt4’ imgsz=320 yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640 yol
OpenCV与AI深度学习 | YOLOv11来了：将重新定义AI的可能性
csdn_xmj的博客
10-02 1082
Ultralytics YOLOv11的问世标志着人工智能领域，尤其是计算机视觉领域的一个突破性时刻。随着 Ultralytics YOLOv11 的发布，人工智能历史上的一个分水岭已经到来。这在计算机视觉领域尤其如此。延续 YOLO（You Only Look Once）系列的强大传统，这一新版本旨在提高实时对象检测和图片分割能力，实现前所未有的效率和性能水平。
深度学习入门（四十二）计算机视觉——目标检测和边界框
ElysiumAILab
11-18 1476
课件 图片分类和目标检测 边缘框 目标检测数据集 总结 教材 1 边界框 2 小结
YoloV8实战：使用YoloV8实现OBB框检测
m0_47867638的博客
08-29 3268
使用定向边界框（OBB）训练精确的物体检测模型需要一个全面的数据集。本文解释了与Ultralytics YOLO 模型兼容的各种 OBB 数据集格式，深入介绍了这些格式的结构、应用和格式转换方法。数据集使用DOTA。
Oriented Object Detection in Aerial Images with Box Boundary-Aware Vectors(BBAVectors)实现遥感图像旋转框目标检测
左右-HPU
04-27 989
该文在确定旋转框的基础上，提出Box boundary-aware vectors(BBAVectors)回归框边界感知向量去生成旋转框。图3 BBAVectors网络结构图图3所示说明：该方法的总体架构和面向边界框（OBB）描述。输入图像在被馈送到网络之前被调整大小为608×608。该体系结构建立在一个U形网络上。在上采样过程中，采用跳过连接来组合特征图。该架构的输出包括四个映射：热图P、偏移映射O、盒参数映射B和方向映射α。中心点的位置是从热图和偏移图中推断出来的。
记录yolov8（ultralytics）目标检测移植运用打包的问题
weixin_45593173的博客
03-16 2038
使用别人训练好的权重文件，使用yolov8+界面，用pyinstaller打包在界面上实现目标检测，计算出框数和目标。这里主要讨论打包移植，以及简单的运用。
YOLOv8改进 | 损失函数篇 | 更加聚焦的边界框损失Focaler-IoU、InnerFocalerIoU（二次创新）
Snu77的博客
02-01 6223
本文给大家带来的改进机制是更加聚焦的边界框损失已经我进行二次创新的InnerFocalerIoU同时本文的内容支持现阶段的百分之九十以上的IoU，比如Focaler-IoU、Focaler-ShapeIoU、Innner-Focaler-ShapeIoU包含非常全的损失函数，边界框的损失函数只看这一篇就够了。
Yolov8目标识别与实例分割——算法原理详细解析
热门推荐
知来者逆的博客
11-02 2万+
对比YOLOv8与之前版本的区别，并详细解析整个算法的原理与设计理念。
YOLOv8改进：LOSS系列篇 | MPDIoU新型边界框相似度度量 | ELSEVIER 2023
会AI的学姐
10-14 458
MPDIoU新型边界框相似度度量，解决预测框与真实框长宽不一致的问题点。
yolo8 ultralytics
03-19
### YOLOv8 使用文档及相关示例 #### 1. YOLOv8 新特性概述 YOLOv8 是由 Ultralytics 开发的一个高性能目标检测框架，其最新版本 v8.1 增加了定向目标检测功能（Oriented Object Detection），支持旋转边界框（OBB）的处理[^1]。这一功能特别适用于航空图像中的物体识别场景。 以下是主要的新特性和改进： - **OBB 支持**：引入了面向对象的目标检测能力，能够有效处理具有方向性的目标。 - **性能优化**：通过算法调整和硬件加速提升了整体运行效率。 - **社区贡献**：增加了更多预训练权重以及对多种数据格式的支持。 #### 2. 安装与配置环境 为了使用 YOLOv8，需先安装 Python 和 PyTorch 环境，并克隆官方仓库： ```bash pip install ultralytics ``` 如果需要从源码构建，则可以执行以下命令来获取最新的代码库： ```bash git clone https://github.com/ultralytics/ultralytics.git cd ultralytics pip install -r requirements.txt ``` #### 3. 数据准备 对于标准矩形框的任务，可以直接采用 COCO 或其他常见格式的数据集；而对于 OBB 类型的任务，则可能需要用到特定工具完成标注文件转换工作。例如，在 DOTA 数据集中应用 `convert_dota_to_yolo_obb` 函数即可轻松实现此操作[^3]: ```python from ultralytics.data.converter import convert_dota_to_yolo_obb convert_dota_to_yolo_obb('./datasets/DOTAv1') ``` 上述脚本会自动将原始 DOTAv1 数据转化为适合输入到网络的形式。 #### 4. 模型训练 启动一次典型的检测任务训练过程非常简单，只需指定好路径参数即可开始学习流程[^2]: ```bash yolo detect train \ data=D:\ultralytics\ultralytics\cfg\datasets\myyolo-seg.yaml \ model=D:\ultralytics\ultralytics\weights\yolov8s-seg.pt \ epochs=100 \ imgsz=640 \ batch=16 \ workers=4 ``` 以上命令展示了如何基于自定义 YAML 文件加载初始权重并设置超参来进行迭代计算直至收敛为止。 #### 5. 测试与评估 当模型经过充分训练之后，可以通过如下方式对其进行验证: ```bash python test.py --weights runs/train/exp/weights/best.pt \ --data ./data/my_custom_dataset.yaml \ --img 640 \ --conf 0.4 \ --batch 1 \ --save-json \ --save-txt \ --save-conf \ --project runs/test \ --name my_test_run ``` 该部分允许我们保存预测结果至 JSON/TXT 文件当中以便后续分析比较之用[^4]。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

FriendshipT

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值