YOLO Vision 2026:
Ultralytics YOLO

YOLO 旋转目标检测

使用旋转边界框在任意角度检测对象。Ultralytics YOLO26 OBB 模型能够精准紧凑地贴合船舶、车辆、建筑以及文本,避免了轴对齐边界框重叠且失效的问题——是航空和卫星影像的理想选择。

YOLO26 OBB 模型

YOLO26-obb 模型可在 1024 像素分辨率下预测旋转边界框,专为对象呈任意角度的航空和卫星影像而设计。五种尺寸在速度与精度之间取得平衡,并且全部支持使用标准工作流在自定义旋转框数据集上进行微调。

pip install ultralytics
from ultralytics import YOLO

# Load a YOLO26 OBB model
model = YOLO("yolo26n-obb.pt")

# Run inference
results = model("image.jpg")
模型尺寸 (px)mAP 50-95 (e2e)mAP 50 (e2e)CPU ONNX (ms)T4 TensorRT (ms)参数量 (M)FLOPs (B)
YOLO26n-obb102452.478.997.7 ± 0.92.8 ± 0.02.514.0
YOLO26s-obb102454.880.9218.0 ± 1.44.9 ± 0.19.855.1
YOLO26m-obb102455.381.0579.2 ± 3.810.2 ± 0.321.2183.3
YOLO26l-obb102456.281.6735.6 ± 3.113.0 ± 0.225.6230.0
YOLO26x-obb102456.781.71485.7 ± 11.530.5 ± 0.957.6516.5

来自 Ultralytics 文档的 YOLO26 旋转检测基准。

深受全球领先组织信赖

DuolingoShellSiemensRenaultPhilipsNEURA RoboticsMercado LibreTata SteelFlock SafetyIntelDefense Intelligence AgencyDHL
DuolingoShellSiemensRenaultPhilipsNEURA RoboticsMercado LibreTata SteelFlock SafetyIntelDefense Intelligence AgencyDHL
DuolingoShellSiemensRenaultPhilipsNEURA RoboticsMercado LibreTata SteelFlock SafetyIntelDefense Intelligence AgencyDHL

我们模型的影响力

借助我们尖端的视觉 AI 模型,简化各行业的流程。由 Ultralytics 提供支持的速度、准确性与易用性。

GitHubGitHub 星标
下载量
Ultralytics YOLO 每日使用量
开源贡献者

Ultralytics YOLO 模型的演进

了解 Ultralytics YOLO 如何从实用的 YOLOv5 工作流演进到边缘就绪的 YOLO26 推理。

通过快速、实用的 PyTorch 工作流,让实时目标检测变得触手可及。

在检测、分割、分类、姿态估计和 OBB 任务中扩展了统一的工作流。

在保持熟悉的 Ultralytics 工作流的同时,提高了准确性、速度和效率。

引入了端到端推理以及针对高效边缘部署优化的架构。

Image annotation interface using smart segmentation to label an object.

通过智能标注实现高达 10 倍的标注速度提升

Ultralytics Platform 提供图像标注工具,帮助你更快地构建高质量数据集。从智能标注到精确的手动编辑,这些功能旨在缩短图像标注时间,同时不降低质量。

  • SAM 驱动的智能标注:一键生成掩码和边界框。
  • 全 AI 任务覆盖:检测、实例分割、语义分割、分类、姿态估计、OBB。
  • 通用格式支持:随心选择 YOLO、COCO 等格式。
  • 团队审阅与版本控制:在每一步都实现清晰的协作。

部署到任意位置

导出至 20 种格式,并在边缘端、云端和移动端进行部署。

探索行业解决方案

了解团队如何在生产环境中应用 Ultralytics 计算机视觉。

常见问题解答

  • 定向对象检测预测与每个对象的实际方向相匹配的旋转边界框,而不是轴对齐的矩形。对于细长或密集的对象(如港口中的船舶、停车场中的车辆、文档上的文本行),旋转边界框可以紧密贴合,并避免使标准边界框变得模糊的重叠。

  • 当对象出现任意旋转且其方向或紧密范围很重要时,请使用OBB:航拍和卫星图像、无人机巡检、文档分析以及从上方俯瞰的工业场景。如果对象大多直立且方向无关紧要,标准对象检测会更简单且同样有效。

  • Ultralytics YOLO26 OBB 模型是推荐的起点,它们在 DOTA 航拍图像基准测试上进行了预训练,并提供从 nano 到 extra-large 等多种尺寸。它们与所有其他 Ultralytics YOLO 任务共享相同的训练、验证和导出工作流。

  • 以 YOLO OBB 格式标注旋转边界框并运行训练模式,或者使用Ultralytics Platform在浏览器中进行标注、在云端 GPU 上训练并评估结果。从 DOTA 预训练权重进行微调是大多数航拍数据集的最快路径。

  • 使用导出模式将 OBB 模型导出为 ONNX、TensorRT、OpenVINO 等格式。旋转边界框输出由导出的模型直接生成,从而使边缘设备、无人机和服务器上的推理管道保持简单。

使用 Ultralytics 构建旋转检测

使用 Ultralytics Platform 标注旋转边界框、训练 YOLO26 OBB 模型并在任何地方部署它们。