Erste Schritte

Objektunschärfe mit Ultralytics YOLO26

Was bedeutet Objektunschärfe?#

Beim Verwischen von Objekten mit Ultralytics YOLO26 wird ein Unschärfeeffekt angewendet, um bestimmte erkannte Objekte in einem Bild oder Video unkenntlich zu machen. YOLO26 lokalisiert die Objekte in jedem Frame, und die Unschärfe wird nur auf die erkannten Bereiche angewendet.



Ansehen: So trainierst du mit der Ultralytics-Plattform ein Modell zur Gesichtserkennung und verwischst Gesichter | Ultralytics YOLO26 🚀

Vorteile der Objektunschärfe#

  • Schutz der Privatsphäre: Das Verwischen von Objekten ist ein wirksames Mittel zum Schutz der Privatsphäre, da vertrauliche oder personenbezogene Informationen in Bildern oder 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 lassen sich Objekte in Echtzeit verwischen. Das eignet sich 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.

Objektunschärfe mit Ultralytics YOLO
# 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:

ArgumentTypStandardBeschreibung
modelstrNonePfad zu einer Ultralytics-YOLO-Modelldatei.
blur_ratiofloat0.5Passt den prozentualen Unschärfegrad an; Werte liegen im Bereich 0.1 - 1.0.
line_widthint2Linienstärke für die Boxen, Keypoints und Zählwerte, die von der Lösung eingezeichnet werden.
verboseboolTrueAktiviert 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:

ArgumentTypStandardBeschreibung
trackerstr'tracktrack.yaml'Legt den zu verwendenden Verfolgungsalgorithmus fest. Integrierte Optionen: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml.
conffloat0.25Legt den Konfidenzschwellenwert für Erkennungen fest. Niedrigere Werte ermöglichen die Verfolgung weiterer Objekte, können aber auch falsch positive Ergebnisse einschließen.
ioufloat0.5Legt den Schwellenwert für die Schnittmenge über Vereinigung (IoU) fest, um überlappende Erkennungen herauszufiltern.
classeslistNoneFiltert die Ergebnisse nach Klassenindex. Beispielsweise verfolgt classes=[0, 2, 3] nur die angegebenen Klassen.
devicestrNoneLegt 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.
imgszint or tuple640Zielbildgröße für die Inferenz: eine Ganzzahl für ein quadratisches Bild oder ein (height, width)-Paar. Die Formen werden an den Modellschritt angepasst.
max_detint300Maximale 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.
quantizeint or strNoneInferenzpräzision: 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:

ArgumentTypStandardBeschreibung
showboolFalseWenn 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_confboolTrueZeigt neben der Bezeichnung den Konfidenzwert jeder Erkennung an. Gibt Aufschluss darüber, wie sicher sich das Modell bei der jeweiligen Erkennung ist.
show_labelsboolTrueZeigt 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 vertraulichen Informationen weitergibst, kann YOLO26 bestimmte 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_ratio fest (zum Beispiel 0.5 für eine Unschärfestärke von 50 %), um den Effekt zu steuern, und übergib classes, 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. Trainiere oder optimiere ein YOLO26-Erkennungsmodell für Gesichter, zum Beispiel mit dem WIDER-FACE-Datensatz, und übergib die trainierten Gewichte anschließend mit dem Argument model an ObjectBlurrer. Jedes erkannte Gesicht wird dann mit OpenCV unkenntlich gemacht. Um Gesichter in einem ganzen Datensatz ohne Programmierung unkenntlich zu machen, verwende Gesichter auf der Ultralytics Platform unkenntlich machen.

  • Ultralytics YOLO26 ist in der Regel schneller als zweistufige Detektoren wie Faster R-CNN und eignet sich daher besser für Echtzeitanwendungen. Beide Modelle bieten zwar eine präzise Erkennung, doch die Architektur von YOLO26 ist auf schnelle Inferenz optimiert, was für Aufgaben wie das Verwischen von Objekten in Echtzeit entscheidend ist.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.