Objekt-Zuschneiden mit Ultralytics YOLO26#
Was ist Objekt-Zuschneiden?#
Das Zuschneiden von Objekten mit Ultralytics YOLO26 beinhaltet das Isolieren und Extrahieren spezifischer erkannter Objekte aus einem Bild oder Video. Die Funktionen des YOLO26-Modells werden genutzt, um Objekte präzise zu identifizieren und abzugrenzen, was ein exaktes Zuschneiden für die weitere Analyse oder Bearbeitung ermöglicht.
Watch: Object Cropping using Ultralytics YOLO
Vorteile des Objekt-Zuschneidens#
- Fokussierte Analyse: YOLO26 erleichtert das gezielte Zuschneiden von Objekten, was eine eingehende Untersuchung oder Verarbeitung einzelner Elemente innerhalb einer Szene ermöglicht.
- Reduziertes Datenvolumen: Durch die Extraktion nur relevanter Objekte hilft das Zuschneiden dabei, die Datengröße zu minimieren, was für Speicherplatz, Übertragung oder nachfolgende Rechenaufgaben effizient ist.
- Erhöhte Präzision: Die Objekterkennungs-Genauigkeit von YOLO26 stellt sicher, dass die zugeschnittenen Objekte ihre räumlichen Beziehungen beibehalten, wodurch die Integrität der visuellen Informationen für eine detaillierte Analyse gewahrt bleibt.
Visualisierungen#
| Flughafengepäck |
|---|
 |
| Koffer-Zuschneiden auf dem Förderband am Flughafen mit Ultralytics YOLO26 |
Objekte zuschneiden mit YOLO26#
Übergebe dein Video an die ObjectCropper-Lösung. Sie erkennt in jedem Frame Objekte und speichert jede Erkennung als separates Bild. Beschränke das Zuschneiden auf bestimmte classes, erhöhe conf, um nur konfidente Erkennungen beizubehalten, und lege crop_dir fest, um auszuwählen, wo die Zuschnitte gespeichert werden.
# Crop the objects
yolo solutions crop
# Pass a source video
yolo solutions crop source="path/to/video.mp4"
# Crop specific classes
yolo solutions crop classes="[0, 2]"ObjectCropper-Argumente#
Hier ist eine Tabelle mit den ObjectCropper-Argumenten:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer Ultralytics YOLO-Modelldatei. |
crop_dir | str | 'cropped-detections' | Verzeichnisname zum Speichern der zugeschnittenen Detektionen. |
FAQ#
Das Zuschneiden von Objekten mit Ultralytics YOLO26 beinhaltet das Isolieren und Extrahieren spezifischer Objekte aus einem Bild oder Video basierend auf den Erkennungsfähigkeiten von YOLO26. Dieser Prozess ermöglicht eine fokussierte Analyse, ein reduziertes Datenvolumen und eine erhöhte Präzision, indem YOLO26 genutzt wird, um Objekte mit hoher Genauigkeit zu identifizieren und entsprechend zuzuschneiden. Ein ausführliches Tutorial findest du im Beispiel zum Zuschneiden von Objekten.
Ultralytics YOLO26 zeichnet sich durch Präzision, Geschwindigkeit und Benutzerfreundlichkeit aus. Es ermöglicht eine detaillierte und genaue Objekterkennung und das Zuschneiden, was für eine fokussierte Analyse und Anwendungen mit hoher Datenintegrität unerlässlich ist. Darüber hinaus lässt sich YOLO26 nahtlos in Tools wie OpenVINO und TensorRT integrieren, für Bereitstellungen, die Echtzeitfunktionen und Optimierung auf diverser Hardware erfordern. Entdecke die Vorteile im Leitfaden zum Modellexport.
Indem du Ultralytics YOLO26 verwendest, um nur relevante Objekte aus deinen Bildern oder Videos zuzuschneiden, kannst du die Datengröße erheblich reduzieren, was die Speicherung und Verarbeitung effizienter macht. Dieser Prozess beinhaltet das Trainieren des Modells, um bestimmte Objekte zu erkennen, und das anschließende Verwenden der Ergebnisse, um nur diese Teile zuzuschneiden und zu speichern. Weitere Informationen zur Nutzung der Funktionen von Ultralytics YOLO26 findest du in unserem Schnellstart-Leitfaden.
Ja, Ultralytics YOLO26 kann Echtzeit-Video-Feeds verarbeiten, um Objekte dynamisch zu erkennen und zuzuschneiden. Die Hochgeschwindigkeits-Inferenzfunktionen des Modells machen es ideal für Echtzeitanwendungen wie Überwachung, Sportanalyse und automatisierte Inspektionssysteme. Schau dir die Tracking- und Prädiktionsmodi an, um zu verstehen, wie man die Echtzeitverarbeitung implementiert.
Ultralytics YOLO26 ist sowohl für CPU- als auch für GPU-Umgebungen optimiert, aber um eine optimale Leistung zu erzielen, insbesondere bei Echtzeit- oder Hochvolumen-Inferenz, wird eine dedizierte GPU (z. B. NVIDIA Tesla, RTX-Serie) empfohlen. Für die Bereitstellung auf leichten Geräten erwäge die Verwendung von CoreML für iOS oder LiteRT für Android. Weitere Details zu unterstützten Geräten und Formaten findest du in unseren Modellbereitstellungsoptionen.