Objektverwischung mit Ultralytics YOLO11 🚀

Q: What is object blurring with Ultralytics YOLO11?

Bei der Objektverwischung mit Ultralytics YOLO11 werden bestimmte Objekte in Bildern oder Videos automatisch erkannt und mit einem Verwischungseffekt versehen. Diese Technik verbessert die Privatsphäre, indem sie sensible Informationen verbirgt und gleichzeitig relevante visuelle Daten beibehält. YOLO11 Die Echtzeitverarbeitungsfähigkeiten der Software machen sie geeignet für Anwendungen, die einen sofortigen Schutz der Privatsphäre und selektive Fokusanpassungen erfordern.

Was ist Objektunschärfe?

Objektunschärfe mit Ultralytics YOLO11 beinhaltet die Anwendung eines Unschärfeeffekts auf bestimmte erkannte Objekte in einem Bild oder Video. Dies kann mithilfe der Modellfunktionen von YOLO11 erreicht werden, um Objekte in einer bestimmten Szene zu identifizieren und zu manipulieren.

Beobachten: Objektverwischung mit Ultralytics YOLO11

Vorteile der Objektverwischung

Schutz der Privatsphäre: Die Unschärfe von Objekten ist ein wirksames Mittel zum Schutz der Privatsphäre, indem sensible oder persönlich identifizierbare Informationen in Bildern oder Videos verborgen werden.
Selektive Fokussierung: YOLO11 ermöglicht eine selektive Unschärfe, die es dem Nutzer ermöglicht, bestimmte Objekte anzuvisieren und so ein Gleichgewicht zwischen Privatsphäre und der Beibehaltung relevanter visueller Informationen zu gewährleisten.
Verarbeitung in Echtzeit: YOLO11 Die Effizienz des Systems ermöglicht die Verwischung von Objekten in Echtzeit und eignet sich daher für Anwendungen, die eine sofortige Verbesserung der Privatsphäre in dynamischen Umgebungen erfordern.
Einhaltung gesetzlicher Vorschriften: Hilft Unternehmen bei der Einhaltung von Datenschutzbestimmungen wie GDPR, indem identifizierbare Informationen in visuellen Inhalten anonymisiert werden.
Inhaltsmoderation: Nützlich, um unangemessene oder sensible Inhalte in Medienplattformen zu verwischen und gleichzeitig den Gesamtzusammenhang zu bewahren.

Objektverwischung mit Ultralytics YOLO

CLIPython

# Blur the objects
yolo solutions blur show=True

# Pass a source video
yolo solutions blur source="path/to/video.mp4"

# Blur the specific classes
yolo solutions blur classes="[0, 5]"

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("object_blurring_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize object blurrer object
blurrer = solutions.ObjectBlurrer(
    show=True,  # display the output
    model="yolo11n.pt",  # model for object blurring i.e. yolo11m.pt
    # line_width=2,  # width of bounding box.
    # classes=[0, 2],  # count specific classes i.e, person and car with COCO pretrained model.
    # blur_ratio=0.5,  # adjust percentage of blur intensity, the value in range 0.1 - 1.0
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = blurrer(im0)

    # print(results")  # access the output

    video_writer.write(results.plot_im)  # write the processed frame.

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

`ObjectBlurrer` Argumente

Hier ist eine Tabelle mit den ObjectBlurrer Argumente:

Argument	Typ	Standard	Beschreibung
`model`	`str`	`None`	Pfad zur Ultralytics YOLO .
`line_width`	`None or int`	`None`	Gibt die Linienbreite von Begrenzungsrahmen an. Wenn `None`wird die Linienbreite automatisch an die Bildgröße angepasst. Bietet visuelle Anpassung für Klarheit.
`blur_ratio`	`float`	`0.5`	Passt den Prozentsatz der Unschärfeintensität an, mit Werten im Bereich `0.1 - 1.0`.

Die ObjectBlurrer Lösung unterstützt auch eine Reihe von track Argumente:

Argument	Typ	Standard	Beschreibung
`tracker`	`str`	`'botsort.yaml'`	Gibt den zu verwendenden Verfolgungsalgorithmus an, z. B., `bytetrack.yaml` oder `botsort.yaml`.
`conf`	`float`	`0.3`	Legt die Konfidenzschwelle für Erkennungen fest; niedrigere Werte ermöglichen die Verfolgung von mehr Objekten, können aber auch zu falsch positiven Ergebnissen führen.
`iou`	`float`	`0.5`	Legt den Schwellenwert für die Überschneidung über die Vereinigung (IoU) zum Filtern von überlappenden Erkennungen fest.
`classes`	`list`	`None`	Filtert die Ergebnisse nach Klassenindex. Zum Beispiel, `classes=[0, 2, 3]` verfolgt nur die angegebenen Klassen.
`verbose`	`bool`	`True`	Steuert die Anzeige der Verfolgungsergebnisse und liefert eine visuelle Ausgabe der verfolgten Objekte.
`device`	`str`	`None`	Gibt das Gerät für die Inferenz an (z.B., `cpu`, `cuda:0` oder `0`). Ermöglicht dem Benutzer die Auswahl zwischen CPU, einem bestimmten GPU oder anderen Rechengeräten für die Modellausführung.

Außerdem können die folgenden Visualisierungsargumente verwendet werden:

Argument	Typ	Standard	Beschreibung
`show`	`bool`	`False`	Wenn `True`zeigt die kommentierten Bilder oder Videos in einem Fenster an. Nützlich für sofortiges visuelles Feedback während der Entwicklung oder des Testens.
`line_width`	`None or int`	`None`	Gibt die Linienbreite von Begrenzungsrahmen an. Wenn `None`wird die Linienbreite automatisch an die Bildgröße angepasst. Bietet visuelle Anpassung für Klarheit.

Anwendungen in der realen Welt

Schutz der Privatsphäre bei der Überwachung

Sicherheitskameras und Überwachungssysteme können YOLO11 nutzen, um Gesichter, Nummernschilder oder andere identifizierende Informationen automatisch unkenntlich zu machen und dennoch wichtige Aktivitäten zu erfassen. Dies trägt dazu bei, die Sicherheit aufrechtzuerhalten und gleichzeitig das Recht auf Privatsphäre im öffentlichen Raum zu respektieren.

Anonymisierung von Gesundheitsdaten

In der medizinischen Bildgebung erscheinen häufig Patienteninformationen in Scans oder Fotos. YOLO11 kann diese Informationen erkennen und verwischen, um Vorschriften wie HIPAA bei der Weitergabe medizinischer Daten für Forschungs- oder Bildungszwecke einzuhalten.

Dokument-Redaktion

Bei der Freigabe von Dokumenten, die sensible Informationen enthalten, kann YOLO11 automatisch bestimmte Elemente wie Unterschriften, Kontonummern oder persönliche Daten erkennen und unkenntlich machen, um den Schwärzungsprozess zu vereinfachen und gleichzeitig die Integrität des Dokuments zu wahren.

Erstellung von Medien und Inhalten

Ersteller von Inhalten können YOLO11 verwenden, um Markenlogos, urheberrechtlich geschütztes Material oder unangemessene Inhalte in Videos und Bildern unkenntlich zu machen, um rechtliche Probleme zu vermeiden und gleichzeitig die Qualität der Inhalte zu bewahren.

FAQ

Was ist Objektunschärfe mit Ultralytics YOLO11 ?

Objektverwischung mit Ultralytics YOLO11 beinhaltet die automatische Erkennung und Anwendung eines Unschärfeeffekts auf bestimmte Objekte in Bildern oder Videos. Diese Technik verbessert die Privatsphäre, indem sie sensible Informationen verbirgt und gleichzeitig relevante visuelle Daten beibehält. YOLO11 Die Echtzeitverarbeitungsfunktionen der Software eignen sich für Anwendungen, die einen sofortigen Schutz der Privatsphäre und selektive Fokusanpassungen erfordern.

Wie kann ich Echtzeit-Objektverwischung mit YOLO11 implementieren?

Um die Echtzeit-Objektunschärfe mit YOLO11 zu implementieren, folgen Sie dem mitgelieferten Beispiel Python . Dabei wird YOLO11 für die Objekterkennung und OpenCV für die Anwendung des Weichzeichnereffekts verwendet. Hier ist eine vereinfachte Version:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# Video writer
video_writer = cv2.VideoWriter("object_blurring_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init ObjectBlurrer
blurrer = solutions.ObjectBlurrer(
    show=True,  # display the output
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object blurring using YOLO11 OBB model.
    blur_ratio=0.5,  # set blur percentage i.e 0.7 for 70% blurred detected objects
    # line_width=2,  # width of bounding box.
    # classes=[0, 2],  # count specific classes i.e, person and car with COCO pretrained model.
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or processing is complete.")
        break
    results = blurrer(im0)
    video_writer.write(results.plot_im)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Was sind die Vorteile der Verwendung von Ultralytics YOLO11 für die Objektverwischung?

Ultralytics YOLO11 bietet mehrere Vorteile für die Objektverwischung:

Schutz der Privatsphäre: Effektive Verschleierung sensibler oder identifizierbarer Informationen.
Selektiver Fokus: Gezielte Unschärfe auf bestimmte Objekte, wobei der wesentliche visuelle Inhalt erhalten bleibt.
Verarbeitung in Echtzeit: Effizientes Verwischen von Objekten in dynamischen Umgebungen, geeignet für die sofortige Verbesserung der Privatsphäre.
Anpassbare Intensität: Passen Sie den Unschärfegrad an, um die Privatsphäre mit dem visuellen Kontext in Einklang zu bringen.
Klassenspezifisches Weichzeichnen: Machen Sie selektiv nur bestimmte Arten von Objekten unscharf, während andere sichtbar bleiben.

Ausführlichere Informationen zu den Anwendungen finden Sie im Abschnitt Vorteile der Objektverwischung.

Kann ich Ultralytics YOLO11 verwenden, um Gesichter in einem Video aus Gründen der Privatsphäre unkenntlich zu machen?

Ja, Ultralytics YOLO11 kann so konfiguriert werden, dass Gesichter in Videos erkannt und weichgezeichnet werden, um die Privatsphäre zu schützen. Durch das Trainieren oder die Verwendung eines vortrainierten Modells zur spezifischen Erkennung von Gesichtern können die Erkennungsergebnisse mit OpenCV verarbeitet werden, um einen Unschärfeeffekt anzuwenden. Lesen Sie unsere Anleitung zur Objekterkennung mit YOLO11 und ändern Sie den Code für die Gesichtserkennung.

Wie schneidet YOLO11 im Vergleich zu anderen Objekterkennungsmodellen wie Faster R-CNN für Objektunschärfe ab?

Ultralytics YOLO11 übertrifft in der Regel Modelle wie Faster R-CNN in Bezug auf die Geschwindigkeit, wodurch es sich besser für Echtzeitanwendungen eignet. Während beide Modelle eine genaue Erkennung bieten, ist die Architektur von YOLO11 für eine schnelle Inferenz optimiert, was für Aufgaben wie die Verwischung von Objekten in Echtzeit entscheidend ist. Erfahren Sie mehr über die technischen Unterschiede und Leistungskennzahlen in unserer DokumentationYOLO11 .

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 5 Tagen