YOLOv8重磅升级!新增旋转目标检测功能

全网首发!Yolov8_obb旋转框训练、测试、推理手把手教学(DOTA1.0数据集map50已达80%) 其中,images/train和images/val放置原始图片文件,labels/train_original和labels/val_original分别放置原始的标签文件,labels/train和labels/val为空,然后运行步骤(3)的代码,运行结束转换后的标签会保存在labels/train和labels/val中,格式如下。(4)新建yolov8-obb.yaml,修改nc和scales,我使用的是yolov8n.(2)构建数据集,安装下面目录格式,其他test可为空,一定要对应。 阅读详情

YOLOv8重磅升级!新增旋转目标检测功能,基于DOTA数据集,支持15个类别目标航拍图像检测,模型&代码均已开源~

新版亮点

  • YOLOv8-OBB:YOLOv8中OBB(Oriented Bounding Box)模型的引入标志着物体检测的重要一步,特别是对于有角度或旋转的物体,提高了准确性并减少了各种应用中的背景噪声,如航空影像和文本检测
  • 支持分割和增强功能:增强的分割功能提供更精确的图像分析,并将改进的分类增强功能集成到Ultralytics训练管道中
  • 性能优化:自去年首次发布以来,我们一直专注于优化YOLOv8框架的各个方面,包括训练、验证、推理和导出,以确保速度和效率,而不会影响性能
  • 增强型脚骨与训练特性:模型架构、训练功能和数据集支持方面的增量更新,包括与Open Images V7数据集和改进的图像分类模型的集成
  • API与CLI改进:通过完善的API和CLI增强用户体验,包括用于高级数据集探索和交互的Ultralytics Explorer工具。PaddlePaddle、NCNN、PNNX、TensorRT及其他集成:加强与多个其他平台的集成,为用户提供更多部署灵活性和兼容性。
  • 多样化的贡献和Ultralytics HUB的演变:230个贡献者的1000多个拉取请求的集成和Ultralytics HUB的增长,以及它自己的一系列版本更新,突出了社区在YOLOv8开发中的重要作用。

新特性试用

首先,通过如下命令安装算法库:

pip install ultralytics

然后,照一张航拍图像将其命名为"data.png",你还需要把预训练模型下载下载放到"weights"目录下;

最后,直接直接通过CLI方式预测

yolo obb predict model='weights/yolov8n-obb.pt' source=data.png

此时,可以看到如下信息提示

根据提示就可以找到检测结果咯

改进YOLOv5/YOLOv7——魔改YOLOv5/YOLOv7提升检测精度(涨点必备) 🎄🎄魔改YOLOv5/YOLOv7目标检测算法——各位小伙伴可根据自身研究方向及专业领域自主搭配各类创新新颖且行之有效的网络结构,以此实现论文实验高效涨点。主要包括主干网络改进、轻量化网络、注意力机制、检测头部改进、空间金字塔池化、损失函数及NMS改进、视觉顶会创新点改进以及算法训练相关项目等等。 阅读详情

相关推荐

YOLOv5目标检测源码重磅发布了!

YOLOv5目标检测源码重磅发布了! https://github.com/ultralytics/yolov5 该存储库代表了对未来对象检测方法的超解析开源研究,并结合了在使用之前的YOLO存储库在自定义客户机数据集上训练数千个模型时所吸取的经验教训和改进的最佳实践https://github.com/ultralytics/yolov3。所有代码和模型都在积极开发中,可能会被修改或删除,恕不另行通知。使用风险自负。 更新: 2020年5月27日:公开发布。yolov3 spp(发布协议)是所有已知yol

吴建明wujianming_110117 2957

YOLOv8-OBB推理详解及部署实现

YOLOv8-OBB推理详解及部署实现

周同学的博客 2万+

美团出品 | YOLOv6 v3.0 is Coming(超越YOLOv7、v8)

🎄🎄YOLOv8才刚刚发布!美团出品 | YOLOv6 v3.0它来啦!其优越性能已超越当下主流检测器YOLOv7、v8!!!🎈🎈

加勒比海带66——【YOLO魔法搭配&论文投稿咨询&Python科研绘图】 4万+

Yolov8_obb旋转框检测,模型剪枝压缩

Yolov8_obb旋转框检测,模型剪枝压缩

qq_39128381的博客 5043

【保姆级教程】YOLOv8_OBB旋转目标检测:训练自己的数据集

【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 1万+

YOLOv8_det/seg/pose/obb网络结构

主要介绍了YOLOv8目标检测、实例分割、关键点检测及旋转目标检测的网络结构。

ice 3万+

OpenCV与AI深度学习 | YOLOv8重磅升级,新增旋转目标检测,又该学习了!

AIWalker重磅升级!YOLOv8新增旋转目标检测功能,基于DOTA数据集,支持15个类别目标航拍图像检测,模型&代码均已开源~官网链接:OBB -Ultralytics YOLOv8 文档。

csdn_xmj的博客 964

完美解决 mysql 报错ERROR 1524 (HY000): Plugin ‘mysql_native_password‘ is not loaded

mysql 报错ERROR 1524 (HY000): Plugin 'mysql_native_password' is not loaded

xiaohua616的博客 4万+

YOLOv8重大更新!新增旋转目标检测!

YOLOv8,作为YOLO系列的最新SOTA算法,从网络结构优化、COCO准确性提升,再到开发者使用体验改善,在物体检测、图像分割等视觉任务中,其性能达成了全方位的快!准!狠!近期,官方又重磅上线了YOLOv8.1版本,快速掌握最新技术和实际应用,研梦非凡特请来了该领域的科研大牛定制直播课《AI前沿技术解析系列—YOLOv8》带你一次弄懂YOLOv8算法并轻松部署!▼ 扫码找助教免费预约直播课...

阿木寺的博客 887

fluent二维叶型仿真_Fluent案例4【自然对流】

自然对流来了!!江苏的高校好多开学了,我啥时候才能开学另外,刚才看了何同学的Mac Pro深度体验视频,我好酸/(ㄒoㄒ)/~~好想拥有一台跑仿真那种sou~sou~sou~的机器。废话不多说了,进入正题!案例题目:一个矩形空腔内有500K恒温小球,矩形空腔充斥空气,边界条件绝热,模型尺寸如下,试模拟空腔内空气流动状态做出温度变化图。(尺寸大小懒得写了,在建模部分里有)操作平台:workbench...

weixin_39724469的博客 3671

软考高级,信息系统项目管理师(高项)经验分享

软考高级,信息系统项目管理师(高项)经验分享 2020-12-21信息系统项目管理师(俗称高项)成绩出来了54,55,47,终于成为高级工程师了。 本文以编写整体管理论文的格式进行,将分为项目启动、项目计划、项目执行、项目检查、项目收尾5个过程回顾高项的考试历程,希望对其他同学有借鉴意义。个人觉得可能对于一次考不过的人参考价值比较大。 第一阶段、项目启动阶段Start——决定考哪个科目。 如图,高级资格的类型有:信息系统项目管理师、系统分析师、系统架构设计师、......

zcheva的专栏 5万+

YOLOv8重大更新!新增旋转目标检测,开卷!

YOLOv8,作为YOLO系列的最新SOTA算法,从网络结构优化、COCO准确性提升,再到开发者使用体验改善,在物体检测、图像分割等视觉任务中,其性能达成了全方位的快!准!狠!近期,官方又重磅上线了YOLOv8.1版本,快速掌握最新技术和实际应用,研梦非凡特请来了该领域的科研大牛定制直播课《AI前沿技术解析系列—YOLOv8》带你一次弄懂YOLOv8算法并轻松部署!▼ 扫码找助教免费预约直播课...

小白学视觉 657

别再死记硬背了!用‘小乌龟’实战图解ROS1核心指令(rosnode/rostopic/rosparam保姆级手册)

本文通过经典的turtlesim乌龟仿真器,以可视化实战方式讲解ROS1核心指令(rosnode/rostopic/rosparam),帮助初学者摆脱死记硬背,在操控乌龟的过程中轻松掌握节点管理、话题通信和参数设置等ROS1核心概念。

weixin_28731223的博客 372

江大白 | 目标检测YOLOv9算法,重磅开源!(附论文及源码)

本文介绍YOLOv9论文的主要思路。作者提出的可编程梯度信息(PGI)旨在克服信息瓶颈和深度监督在轻量级网络中应用的局限性。GELAN,一种新型高效且轻量的网络架构,被设计出来以优化目标检测任务。GELAN证明了其在不同计算单元和深度配置下的强大性能和稳定性,表明其具有广泛适用性。

csdn_xmj的博客 1万+

SAP PO开发-端到端配置

1.登录PO系统,选择system landscape,将外围系统的系统信息(Software Component以下简称SC)注册到PO系统中。2.点击products注册外围系统信息。3.选择New 新建 按钮:创建一个新的系统和版本。4.输入产品名称、供应商、版本号等信息。然后点击:Next。5.设置instance 名称,然后点击Next。6.最后设置软件组件的名称,然后点击Finish。

P9QCer的博客 1585

从理论到代码:蒙特卡洛法在光学散射模拟中的应用全解析(Matlab 2014a版)

本文详细解析了蒙特卡洛法在光学散射模拟中的应用,从数学原理到Matlab 2014a实现。通过模拟光子随机游走过程,精确描述光在浑浊介质中的传输特性,提供完整的源码实现和性能优化技巧,适用于生物医学光学、大气遥感等领域。

rum55的博客 631

YOLOv8 v8.3.100重磅发布:PaddlePaddle全链路支持+5大核心功能升级

🚀 万众期待的YOLOv8 v8.3.100版本正式发布!这是Ultralytics团队为计算机视觉开发者带来的又一次革命性升级。新版本不仅全面支持PaddlePaddle深度学习框架,还带来了多项性能优化和功能增强,让目标检测、图像分割、姿态估计等任务更加高效便捷。 ## 为什么选择YOLOv8 v8.3.100? YOLOv8作为当前最先进的目标检测模型之一,v8.3.100版本在保持原

gitblog_01151的博客 581

有效Dk值提取方法的仿真分析

通过本文的仿真对比分析,提取有效Dk值方面,TDR技术在一些固定的场景下,依然有其参考应用价值,而随着VNA功能的不断增强和高精度测量手段的不断更新,双端口Delta-L技术才是主流评估方法,而单端口Delta-L技术则可以作为其降本增效的方案补充。

一只豌豆象的博客 1828

重磅更新!YoloV4最新论文与源码!权重!结构!翻译!

终于等到yolo最新系列:YOLO_V4。献上原论文和源码: 论文:https://pan.baidu.com/s/1_J17pIkPl7KwcR5Sr5HP-w 提取码:acdn 源码: GitHub:https://github.com/AlexeyAB/darknet 百度云:https://pan.baidu.com/s/1hEB0JS48Ax85Gnd6IL3new ...

sinat_39783664的博客 1万+

基于Gurobi的综合能源系统运行优化:鲁棒两阶段优化方法

本文提出了一种基于Gurobi的综合能源系统鲁棒两阶段优化方法,针对包含换电站、光伏发电和电池储能的系统运行问题。研究采用多面体不确定性集合描述光伏出力随机性,构建了考虑电池衰减成本和弃光惩罚的两阶段优化模型:第一阶段制定日前调度计划,第二阶段处理实时运行中的不确定性。通过列与约束生成算法求解模型,并使用Python和Gurobi实现。仿真验证了该方法能有效平衡系统经济性与鲁棒性,为含高比例可再生能源的综合能源系统运行提供了实用解决方案。

huanghm88的专栏 242

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

YOLOV8最强操作教程.

yolov8详细训练,验证,推理教程。还带哔哩哔哩操作视频讲解喔,包你秒懂!

qq_37706472的博客 9万+

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

YOLOv8代码上线!官方宣布将发布论文!附精度速度初探和对比总结

点击下方卡片,关注“CVer”公众号AI/CV重磅干货,第一时间送达点击进入—>目标检测微信技术交流群之前 CVer 第一时间分享了:YOLOv8来了!YOLOv5官方出品!这里再更新一下YOLOv8 的资源。【YOLOv8 注意事项】0.YOLOv8 的官方仓库和代码已上线,文档教程网址也刚刚更新。1. YOLOv8 代码集成在ultralytics 项目中,目前看不会再单独创建叫做...

阿木寺的博客 2万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

算法SOTA、功能全面、性能最佳,PaddleDetection 2.0重磅升级!

点击左上方蓝字关注我们目标检测技术作为视觉技术届的顶梁柱,不仅单兵作战在人脸、车辆、商品、缺陷检测等场景有出色的表现,也是文本识别,图像检索、视频分析、目标跟踪等复合技术的核心模块,应用场...

PaddlePaddle 1057

目标检测算法——YOLOv5/YOLOv7改进之更换FReLU激活函数

目标检测算法——YOLOv5/YOLOv7更换FReLU激活函数。

加勒比海带66——【YOLO魔法搭配&论文投稿咨询&Python科研绘图】 1万+

【重磅更新】Ultralytics YOLOv8 v8.3.84:分割预测精度跃升,文档体验全面升级

Ultralytics YOLOv8 v8.3.84版本正式发布!作为计算机视觉领域的标杆级目标检测框架,本次更新带来了分割预测精度的显著提升和文档系统的全面优化,为开发者提供更强大、更易用的AI模型工具。无论是目标检测、图像分割还是姿态估计任务,YOLOv8都能提供更快、更准的解决方案。 ## 🚀 核心功能升级亮点 ### 分割预测精度突破性提升 YOLOv8 v8.3.84版本对分割算法

gitblog_00429的博客 439

YOLOv8更新!代码数据集已开源,开箱即用!

即YOLOv8-OBB模型,尤其针对旋转对象,大大提高了准确性,并减少了各种应用中的背景噪声,从官方测试来看,基于DOTA数据集的mAPtest可达80%。不仅限于机器学习、深度学习、CV、NLP等人工智能方向的同学,还包括本硕博毕业、升学、评职称所需的SCI各区位期刊、CCF各类会议、EI期刊/会议等。擅长感知算法方向,在语义分割、车道线检测、2D和3D目标检测、BEV下目标检测等领域,具有丰富的项目创新和落地经验。关注【计算机视觉研究院】公众号回复“研梦非凡yolo”加助教预约meeting!

gzq0723的博客 577
上一篇: 通用检测大模型 | 华科白翔团队提出以对象为中心的基础模型GLEE
下一篇: 375FPS! 谷歌提出MaskConver“重校正用于全景分割的纯卷积模型
AIWalker-Happy
博客等级 码龄1天 636粉丝 70原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

huohu728

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