Objektunschärfe mit Ultralytics YOLO26#
Was bedeutet Objektunschärfe?#
Bei der Objektunschärfe mit Ultralytics YOLO26 wird ein Unschärfeeffekt auf bestimmte erkannte Objekte in einem Bild oder Video angewendet. Dazu können die Funktionen des YOLO26-Modells genutzt werden, um Objekte in einer Szene zu erkennen und zu bearbeiten.
Ansehen: So trainierst du mit der Ultralytics-Plattform ein Modell zur Gesichtserkennung und verwischst Gesichter | Ultralytics YOLO26 🚀
Vorteile der Objektunschärfe#
- Schutz der Privatsphäre: Objektunschärfe schützt die Privatsphäre wirksam, indem sensible oder personenbezogene Informationen in Bildern und Videos unkenntlich gemacht werden.
- Gezielte Hervorhebung: YOLO26 ermöglicht eine gezielte Unschärfe für bestimmte Objekte und schafft so ein Gleichgewicht zwischen Datenschutz und dem Erhalt relevanter visueller Informationen.
- Verarbeitung in Echtzeit: Dank der Effizienz von YOLO26 lässt sich Objektunschärfe in Echtzeit anwenden. Damit eignet sich das Verfahren für Anwendungen, die in dynamischen Umgebungen einen sofortigen Schutz der Privatsphäre erfordern.
- Einhaltung gesetzlicher Vorgaben: Hilft Organisationen, Datenschutzbestimmungen wie die DSGVO einzuhalten, indem personenbezogene Informationen in visuellen Inhalten anonymisiert werden.
- Inhaltsmoderation: Nützlich, um unangemessene oder sensible Inhalte auf Medienplattformen unkenntlich zu machen und dabei den Gesamtkontext zu bewahren.
Objekte mit YOLO26 unkenntlich machen#
Übergib dein Video an die Lösung ObjectBlurrer. Sie erkennt Objekte in jedem Einzelbild und wendet auf jede Erkennung eine Mittelwertunschärfe (Rechteckunschärfe) an. Mit blur_ratio (0.1–1.0) steuerst du die Stärke und kannst die Unschärfe auf bestimmte classes beschränken – zum Beispiel nur auf Personen und Autos.
# 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]"Argumente für ObjectBlurrer#
Hier ist eine Tabelle mit den Argumenten für ObjectBlurrer:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer Ultralytics-YOLO-Modelldatei. |
blur_ratio | float | 0.5 | Passt den prozentualen Unschärfegrad an; Werte liegen im Bereich 0.1 - 1.0. |
line_width | int | 2 | Linienstärke für die Boxen, Keypoints und Zählwerte, die von der Lösung eingezeichnet werden. |
verbose | bool | True | Aktiviert das Protokoll der Lösung für jedes Bild, das Eingabeform, Klassenanzahlen und Verarbeitungsgeschwindigkeit enthält. Der Tracking-Aufruf selbst gibt grundsätzlich keine Meldungen aus. |
Die Lösung ObjectBlurrer unterstützt außerdem verschiedene Argumente für track:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Legt den zu verwendenden Verfolgungsalgorithmus fest. Integrierte Optionen: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Legt den Konfidenzschwellenwert für Erkennungen fest. Niedrigere Werte ermöglichen die Verfolgung weiterer Objekte, können aber auch falsch positive Ergebnisse einschließen. |
iou | float | 0.7 | Legt den Schwellenwert für die Schnittmenge über Vereinigung (IoU) fest, um überlappende Erkennungen herauszufiltern. |
classes | list | None | Filtert die Ergebnisse nach Klassenindex. Beispielsweise verfolgt classes=[0, 2, 3] nur die angegebenen Klassen. |
device | str | None | Legt das Gerät für die Inferenz fest (z. B. cpu, cuda:0 oder 0). So kannst du für die Modellausführung zwischen CPU, einer bestimmten GPU oder anderen Rechengeräten wählen. |
imgsz | int or tuple | 640 | Zielbildgröße für die Inferenz: eine Ganzzahl für ein quadratisches Bild oder ein (height, width)-Paar. Die Formen werden an den Modellschritt angepasst. |
max_det | int | 300 | Maximale Anzahl der Erkennungen, die pro Bild vor der Verfolgung beibehalten werden. Dadurch wird die Anzahl der Objekte begrenzt, die eine Lösung in dichten Szenen verarbeitet. |
quantize | int or str | None | Inferenzpräzision: 16 (FP16) oder 32/unset (FP32) für PyTorch- und TorchScript-Modelle außerhalb der CPU; andere Formate verwenden die Präzision, die ihr Artefakt und ihre Laufzeitumgebung vorgeben. Ersetzt das veraltete Argument half. |
Zusätzlich können die folgenden Argumente für die Visualisierung verwendet werden:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
show | bool | False | Wenn True aktiviert ist, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für unmittelbares visuelles Feedback während der Entwicklung oder beim Testen. |
show_conf | bool | True | Zeigt neben der Bezeichnung den Konfidenzwert jeder Erkennung an. Gibt Aufschluss darüber, wie sicher sich das Modell bei der jeweiligen Erkennung ist. |
show_labels | bool | True | Zeigt für jede Erkennung eine Bezeichnung in der visuellen Ausgabe an. So lassen sich erkannte Objekte sofort erkennen. |
Anwendungen in der Praxis#
Schutz der Privatsphäre bei der Überwachung#
Überwachungskameras und Überwachungssysteme können YOLO26 verwenden, um Gesichter, Nummernschilder oder andere identifizierende Informationen automatisch unkenntlich zu machen und zugleich wichtige Aktivitäten aufzuzeichnen. So bleibt die Sicherheit gewahrt, ohne die Datenschutzrechte im öffentlichen Raum zu verletzen.
Anonymisierung medizinischer Daten#
In der medizinischen Bildgebung sind Patienteninformationen häufig auf Scans oder Fotos zu sehen. YOLO26 kann diese Informationen erkennen und unkenntlich machen, damit Vorschriften wie HIPAA beim Teilen medizinischer Daten für Forschungs- oder Bildungszwecke eingehalten werden.
Schwärzen von Dokumenten#
Wenn du Dokumente mit sensiblen Informationen teilst, kann YOLO26 Elemente wie Unterschriften, Kontonummern oder persönliche Angaben automatisch erkennen und unkenntlich machen. Das vereinfacht das Schwärzen und bewahrt zugleich die Integrität des Dokuments.
Medien und Inhaltserstellung#
Inhaltsersteller können mit YOLO26 Markenlogos, urheberrechtlich geschütztes Material oder unangemessene Inhalte in Videos und Bildern unkenntlich machen. So lassen sich rechtliche Probleme vermeiden und zugleich die Gesamtqualität der Inhalte bewahren.
Häufig gestellte Fragen#
Bei der Objektunschärfe mit Ultralytics YOLO26 werden bestimmte Objekte in Bildern oder Videos automatisch erkannt und unkenntlich gemacht. Diese Technik schützt die Privatsphäre, indem sie sensible Informationen verdeckt und zugleich relevante visuelle Daten erhält. Dank der Echtzeitverarbeitung eignet sich YOLO26 für Anwendungen, die sofortigen Schutz der Privatsphäre und eine gezielte Anpassung der Hervorhebung erfordern.
Verwende das Python-Beispiel oben, das die Objekterkennung mit YOLO26 ausführt und jede Erkennung in jedem Einzelbild unkenntlich macht. Lege
blur_ratiofest (zum Beispiel0.5für eine Unschärfestärke von 50 %), um den Effekt zu steuern, und übergibclasses, um nur bestimmte Objektarten unkenntlich zu machen.Ultralytics YOLO26 bietet mehrere Vorteile für die Objektunschärfe:
- Schutz der Privatsphäre: Sensible oder personenbezogene Informationen zuverlässig unkenntlich machen.
- Gezielte Hervorhebung: Bestimmte Objekte unkenntlich machen und wichtige visuelle Inhalte erhalten.
- Verarbeitung in Echtzeit: Objekte in dynamischen Umgebungen effizient unkenntlich machen – ideal für sofortigen Schutz der Privatsphäre.
- Anpassbare Stärke: Das Unschärfeverhältnis anpassen, um Datenschutzanforderungen und visuellen Kontext in Einklang zu bringen.
- Klassenspezifische Unschärfe: Nur bestimmte Objektarten gezielt unkenntlich machen und andere sichtbar lassen.
Weitere Anwendungsdetails findest du im Abschnitt Vorteile der Objektunschärfe.
Ja, Ultralytics YOLO26 lässt sich so konfigurieren, dass Gesichter in Videos erkannt und zum Schutz der Privatsphäre unkenntlich gemacht werden. Wenn du ein vortrainiertes Modell verwendest oder trainierst, das speziell Gesichter erkennt, kannst du die Erkennungsergebnisse mit OpenCV verarbeiten, um einen Unschärfeeffekt anzuwenden. Lies unsere Anleitung zur Objekterkennung mit YOLO26 und passe den Code so an, dass Gesichter erkannt werden.
Ultralytics YOLO26 ist in der Regel schneller als Modelle wie Faster R-CNN und eignet sich daher besser für Echtzeitanwendungen. Beide Modelle ermöglichen eine genaue Erkennung, doch die Architektur von YOLO26 ist auf schnelle Inferenz ausgelegt, die für Aufgaben wie Objektunschärfe in Echtzeit entscheidend ist. Weitere Informationen zu den technischen Unterschieden und Leistungskennzahlen findest du in unserer YOLO26-Dokumentation.