DieTurn · YOLO26s-OBB v0.6

臺中	高雄

綠框為 auto（conf ≥ 0.8），黃框為 review（0.5 ≤ conf < 0.8）。臺中圖以 24.144750°N、120.670500°E 為中心。影像來源：內政部國土測繪中心 PHOTO2025 z20。圖中框為模型結果，尚未經實地驗證。

從航拍正射影像中找出機車待轉格，輸出旋轉物件框（OBB）。 以 YOLO26s-OBB 為基底，從 v0.5 續訓，改用 1,500 張、涵蓋 21 個縣市的 NLSC z20 人工標註影像。

目前成果：掃描全台 29,925 個路口，產出 18,243 個待轉格，分佈在 9,790 個路口。

Detects motorcycle two-stage left-turn waiting zones in aerial orthoimagery as oriented bounding boxes. Version 0.6 is fine-tuned on 1,500 manually annotated NLSC zoom-20 images from 21 counties and cities in Taiwan. The nationwide dataset is model-generated and has not been independently verified in the field.

為了讓騎士可以預先知道要靠左還是靠右

騎機車到陌生路口，最難預先判斷的常常是：這次左轉要靠左，還是先靠右進入待轉區？等到抵達路口才發現站錯位置，可能已經來不及調整。

這個專案從正射影像辨識待轉格，再把旋轉框轉成地理座標，讓導航工具有機會提早提示騎士。偵測到待轉格可以作為查證線索；沒有偵測到，則不足以判定可以直接左轉。

模型規格

實務應用

HowTurn 是使用待轉格圖資的機車導航 App。 dieturn 提供影像抓取、推論、地理化及全台圖資。

全台圖資與本頁範例使用同一個 v0.6 模型。如何判斷資料可信度，見專案的查證等級制度。

快速開始

pip install ultralytics huggingface_hub

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

weights = hf_hub_download(
    repo_id="xamjiang/dieturn-yolo26s-obb",
    filename="dieturn-yolo26s-obb-v0.6.pt",
)
model = YOLO(weights)

results = model.predict("intersection.jpg", imgsz=1024, conf=0.5)
for r in results:
    print(r.obb.xyxyxyxy)  # 每個旋轉框的 4 個角點，像素座標
    print(r.obb.conf)

輸入應使用 NLSC z20 正射影像（約 13.5 cm/px、768×768 的 3×3 瓦片拼接）。 換影像來源、解析度或拍攝角度，都可能讓效果下降。把低解析影像放大，也不會補回原本不存在的細節。

下游管線以 conf ≥ 0.8 標為 auto，0.5 ≤ conf < 0.8 標為 review，送人工複核。這是處理門檻，並非準確率保證。

v0.5 權重仍保留為 dieturn-yolo26s-obb-v0.5.pt，可用相同方式下載比較。

訓練方式

資料：1,500 張人工標註影像、1,415 個待轉格旋轉框。 全部使用 NLSC z20 影像，涵蓋 21 個縣市，單一縣市最多占 6.6%。取樣點由 OpenStreetMap 號誌節點聚合而來，以路口為中心抓取正射影像。

這次特別補進 v0.5 容易失敗的場景，也保留困難負樣本：

在「大路口漏檢」的 400 張影像中，25% 經人工標註後確認存在待轉格。這些是舊模型漏掉、第二輪資料特別補進來的案例。

標註在 CVAT 以旋轉矩形完成，匯出為 Ultralytics YOLO-OBB 格式。沒有待轉格的影像保留作背景負樣本，切分為訓練 1,200 張、驗證 300 張。

訓練設定： 從 v0.5 權重續訓，imgsz=1024、batch 8、300 epoch、patience 60，使用 RTX 3080；完成 227 epoch 後早停，最佳權重來自第 167 epoch。完整參數見 v06_train_args.yaml（本機路徑已正規化）。資料與訓練流程見模型文件及標註規範。

訓練結果

最佳 checkpoint（第 167 epoch）在 300 張驗證影像、291 個標註框上的結果：

指標已核對正式 best.pt 的 checkpoint metadata 與 逐 epoch 紀錄。 驗證資料來自同一輪針對失敗場景的取樣，並非全台隨機、獨立的驗收集；這組數字用來觀察訓練效果，不能推估全台圖資的準確率，也不能與 v0.5 的不同驗證集直接比較。

評估結果

和 v0.5 比，找回更多待轉格

下表比較同一批臺北路口的偵測結果，使用正式管線門檻 conf ≥ 0.5：

這裡的 recall 是相對於參考位置的命中比例，不能直接當成模型的絕對準確率。 參考位置來自 v0.5 在臺北 z21 高解析影像上的輸出，並非獨立人工真值，包含誤報與漏檢；兩個模型使用同一套參考位置做比較。參考影像及其衍生資料不隨公開 repo 散布，因此這組比較目前無法由公開檔案獨立重現。

另一次以 1,096 個參考位置逐一比較的結果：v0.6 比 v0.5 多找回 234 個位置，只有 13 個位置退步。角度比較中的 heading_deg P95 誤差，從 14.9° 降至 7.1°。完整方法、門檻及限制見模型評估文件。

以上是影像間的對照評估，與訓練驗證集的 mAP／precision／recall 不同。

效果圖

黃圈為高解析影像參考位置，紅框為 v0.5，綠框為 v0.6。這四個範例中，v0.5 各只找到 1 個角，v0.6 找齊四個角。49 個具有四個參考待轉格的路口中，全部找齊的比例從 24% 提升至 71%。

紅框為 v0.5，綠框為 v0.6，黃色標記為參考位置。六個範例中，五個是 v0.5 完全沒有偵測到的場景。範例用於展示改善，並不代表隨機抽樣的整體表現。

封面與效果圖的影像來源：內政部國土測繪中心。

全台掃描成果

以三尺度聯集掃描全台 29,925 個路口，合併重複偵測後：

這些是模型產出的圖資數量，尚未做全台獨立驗收。GeoJSON 與欄位說明在專案 repo。

限制

• 絕對準確率仍待量測。 尚未建立各縣市分層隨機、獨立人工驗收的資料集。訓練資料刻意偏向失敗場景，不能拿來推估全台準確率。
• 台北以外尚無獨立評估。 訓練資料涵蓋 21 個縣市，不代表已量測各縣市的表現。
• 白色矩形仍可能誤報。 建物屋頂、窗格、車輛及其他相似形狀可能被辨識為待轉格。
• 遮蔽仍會造成漏檢。 陰影、樹冠、車輛及褪色標線會降低可辨識性。
• 有明確的影像域限制。 未驗證斜拍、街景或其他解析度的輸入；v0.5 的跨年度影像改善也尚未在 v0.6 重做驗證。
• 尚未實地驗證。 這份圖資不足以單獨判定道路上的法定左轉方式；尤其不能把「沒偵測到」當成「可以直接左轉」。

資料與授權

• 權重：AGPL-3.0，沿用 Ultralytics YOLO26 基底模型的授權。
• v0.6 訓練影像： 內政部國土測繪中心正射影像，政府資料開放授權條款第 1 版；使用時須註明出處「內政部國土測繪中心」。影像與標註資料集未隨本模型倉庫發布。
• 路口取樣點與全台圖資： ODbL 1.0，© OpenStreetMap contributors；全台圖資另須保留 NLSC 出處標示。
• 早期臺北 z21 評估資料： 受來源使用條款限制，影像與衍生資料不公開散布。公開的比較報告保留方法、數字與限制。

完整說明見 DATA_LICENSES.md。

相關連結

• dieturn：完整管線、全台圖資與模型評估
• HowTurn：機車導航 App
• Ultralytics YOLO26

引用

@misc{dieturn2026,
  title  = {DieTurn: Detecting motorcycle two-stage left-turn waiting zones from aerial imagery},
  author = {Sam Jiang and contributors},
  year   = {2026},
  url    = {https://github.com/PlanktonLab/dieturn}
}