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 2024-09-06 23:29:01 发布
最新推荐文章于 2024-09-06 23:29:01 发布
阅读量1.7k 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/

FriendshipT
关注
专栏目录
【保姆级教程】YOLOv8_OBB旋转目标检测：训练自己的数据集
m0_51579041的博客
03-10 1万+
【保姆级教程】YOLOv8_OBB旋转目标检测：训练自己的数据集
YoloV8实战：使用YoloV8实现OBB框检测
m0_47867638的博客
08-29 1688
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。
YOLOv8-OBB旋转目标检测：高效、灵活的自定义数据集解决方案
最新发布
gitblog_09709的博客
09-06 951
YOLOv8-OBB旋转目标检测：高效、灵活的自定义数据集解决方案 yolov8-obb.zip项目地址:https://gitcode.com/open-source-toolkit/c7018 项目介绍 在计算机视觉领域，目标检测是一个核心任务，而旋转目标检测则是一个更具挑战性的细分领域。传统的目标检测方法通常使用矩形边界框（Bounding Box, BB）来定位目标，但在处理长条形物体、...
Oriented R-CNN for Object Detection(定向R-CNN的目标检测)
左右-HPU
05-17 1333
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。
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 1296
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
记录yolov8（ultralytics）目标检测移植运用打包的问题
weixin_45593173的博客
03-16 1687
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 4262
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。
YOLOv8.1 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
02-08 456
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。
UltralyticsYOLOv8_ultralytics使用(2)
2401_84003630的博客
04-21 741
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 1058
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
YoloV8改进策略：BackBone改进|PKINet
m0_47867638的博客
03-18 3104
遥感图像（RSI）中的目标检测近年来引起了广泛关注[11, 56, 64]。这项任务致力于在RSI中识别特定目标的存在，并随后确定它们的类别和精确位置。与通常产生水平边界框的通用目标检测不同，遥感目标检测旨在生成与目标方向准确对齐的边界框。因此，先前的许多努力都致力于开发各种有向边界框（OBB）检测器[10, 20, 31, 65, 67, 71]，并改进OBB的角度预测精度[68,70,72-74]。然而，在改善用于目标检测的特征提取方面，RSI的独特特性仍相对缺乏深入研究。
Yolov8目标识别与实例分割——算法原理详细解析
知来者逆的博客
11-02 1万+
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
10-14 383
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。
YOLOv8 损失函数改进：MPDIoU 新型边界框相似度度量
一直在水些技术小文
09-21 1264
在本篇博客中，我们将重点讨论 YOLOv8 中的一个关键改进：MPDIoU（Modified Precision-Defined Intersection over Union）边界框相似度度量，以及如何将其应用于损失函数中，以提高目标检测的准确性。MPDIoU 是 YOLOv8 中的一项重要改进，它提供了更精确的边界框相似度度量，从而提高了目标检测的性能。与传统的 IoU 相比，MPDIoU 更能够准确地反映目标之间的相对位置和大小关系，从而提高了目标检测的准确性。使用 YOLOv8 进行目标检测。
YOLOv8 : 网络结构
tecsai的博客
08-15 9213
YOLOv8的Backbone同样参考了CSPDarkNet-53网络，我们可以称之为CSPDarkNet结构吧，与YOLOv5不同的是，YOLOv8使用C2f(CSPLayer_2Conv)代替了C3模块(如果你比较熟悉YOLOv5的网络结构，那YOLOv8的网络结构理解起来就easy了)。
再次认识ultralytics项目（大目标检测、小目标检测、yolov8-ghost、旋转目标检测、自动标注）
a486259的博客
01-07 5218
是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。随着其官方团队对ultralytics项目的不断完善，其所支持的功能在不断扩展，为此重新对ultralytics项目进行深入分析。
YOLOv8 Ultralytics：最先进的 YOLO 模型——简介+实战教程
热门推荐
小白不白
02-03 4万+
利用以前的 YOLO 版本，，同时为训练模型提供统一框架，以执行在撰写本文时，许多功能尚未添加到 Ultralytics YOLOv8 存储库中。这包括训练模型的完整导出功能集。此外，Ultralytics 将在 Arxiv 上发布一篇论文，将 YOLOv8 与其他最先进的视觉模型进行比较。
【CV】Yolov8：ultralytics目标检测、关键点检测、语义分割
发现问题，并解决问题，批判性思维
05-21 1万+
Yolov8提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求 骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调 Head 部分相比 YOLOv5 改动较大，换成了目前主流的
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