Objekte ausschneiden mit Ultralytics YOLO26#
Was bedeutet das Ausschneiden von Objekten?#
Beim Ausschneiden von Objekten mit Ultralytics YOLO26 werden bestimmte erkannte Objekte aus einem Bild oder Video isoliert und extrahiert. Die Funktionen des YOLO26-Modells dienen dazu, Objekte präzise zu identifizieren und abzugrenzen, sodass sie für weitere Analysen oder Bearbeitungen gezielt ausgeschnitten werden können.
Ansehen: Objekte mit Ultralytics YOLO zuschneiden
Vorteile des Ausschneidens von Objekten#
- Gezielte Analyse: YOLO26 ermöglicht das gezielte Ausschneiden von Objekten und damit die eingehende Untersuchung oder Verarbeitung einzelner Elemente innerhalb einer Szene.
- Geringeres Datenvolumen: Indem nur relevante Objekte extrahiert werden, hilft das Ausschneiden von Objekten, die Datenmenge zu verringern. Das erleichtert die Speicherung und Übertragung sowie nachfolgende Rechenaufgaben.
- Höhere Präzision: Die Objekterkennung und Genauigkeit von YOLO26 sorgen dafür, dass die ausgeschnittenen Objekte ihre räumlichen Beziehungen beibehalten. So bleiben die visuellen Informationen für eine detaillierte Analyse intakt.
Visualisierungen#
| Flughafengepäck |
|---|
 |
| Koffer auf einem Flughafen-Förderband, ausgeschnitten mit Ultralytics YOLO26 |
Objekte mit YOLO26 ausschneiden#
Übergib dein Video an die Lösung ObjectCropper. Sie erkennt in jedem Frame Objekte und speichert jede Erkennung als separates Bild. Beschränke das Ausschneiden auf bestimmte classes, erhöhe conf, damit nur Erkennungen mit hoher Konfidenz beibehalten werden, und lege mit crop_dir fest, wo die Ausschnitte 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]"Argumente für ObjectCropper#
Hier ist eine Tabelle mit den Argumenten für ObjectCropper:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer Ultralytics-YOLO-Modelldatei. |
crop_dir | str | 'cropped-detections' | Verzeichnisname zum Speichern zugeschnittener Erkennungen. |
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. |
ObjectCropper führt predict statt track aus und unterstützt daher die folgenden Inferenzparameter, außer tracker:
| 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. |
Häufig gestellte Fragen#
Beim Ausschneiden von Objekten mit Ultralytics YOLO26 werden anhand der Erkennungsfunktionen von YOLO26 bestimmte Objekte aus einem Bild oder Video isoliert und extrahiert. Dadurch sind gezielte Analysen, ein geringeres Datenvolumen und eine höhere Präzision möglich: YOLO26 erkennt Objekte mit hoher Genauigkeit und schneidet sie entsprechend aus. Eine ausführliche Anleitung findest du im Beispiel zum Ausschneiden von Objekten.
Ultralytics YOLO26 zeichnet sich durch Präzision, Geschwindigkeit und einfache Bedienung aus. Die Lösung ermöglicht eine detaillierte und genaue Objekterkennung und das Ausschneiden von Objekten – unverzichtbar für eine gezielte Analyse und Anwendungen, bei denen die Datenintegrität wichtig ist. Außerdem lässt sich YOLO26 nahtlos in Werkzeuge wie OpenVINO und TensorRT integrieren, um Echtzeit-Anwendungen und die Optimierung auf unterschiedlicher Hardware zu ermöglichen. Erfahre mehr über die Vorteile im Leitfaden zum Export von Modellen.
Wenn du mit Ultralytics YOLO26 nur relevante Objekte aus deinen Bildern oder Videos ausschneidest, kannst du die Datenmenge erheblich verringern und so Speicherplatz und Verarbeitungszeit sparen. Dazu wird das Modell darauf trainiert, bestimmte Objekte zu erkennen. Anschließend werden die Ergebnisse verwendet, um nur diese Bildbereiche auszuschneiden und zu speichern. Weitere Informationen zu den Möglichkeiten von Ultralytics YOLO26 findest du in unserer Schnellstartanleitung.
Ja, Ultralytics YOLO26 kann Echtzeit-Videostreams verarbeiten, um Objekte dynamisch zu erkennen und auszuschneiden. Dank der hohen Inferenzgeschwindigkeit eignet sich das Modell ideal für Echtzeitanwendungen wie Überwachung, Sportanalysen und automatisierte Inspektionssysteme. Sieh dir die Modi Tracking und Vorhersage an, um zu erfahren, wie du die Echtzeitverarbeitung implementierst.
Ultralytics YOLO26 ist für CPU- und GPU-Umgebungen optimiert. Für optimale Leistung, insbesondere bei Echtzeit- oder umfangreicher Inferenz, wird jedoch eine dedizierte GPU empfohlen (z. B. NVIDIA Tesla oder eine GPU der RTX-Reihe). Für den Einsatz auf leichten Geräten kannst du CoreML für iOS oder LiteRT für Android verwenden. Weitere Informationen zu unterstützten Geräten und Formaten findest du in unseren Optionen für den Modelleinsatz.