Objektfreistellung mit Ultralytics YOLO11
Was ist Objektausschneiden?
Die Objektfreistellung mit Ultralytics YOLO11 umfasst das Isolieren und Extrahieren spezifischer erkannter Objekte aus einem Bild oder Video. Die Funktionen des YOLO11-Modells werden genutzt, um Objekte genau zu identifizieren und abzugrenzen, wodurch ein präzises Zuschneiden für weitere Analysen oder Manipulationen ermöglicht wird.
Ansehen: Objektfreistellung mit Ultralytics YOLO
Vorteile des Objektausschneidens
- Fokussierte Analyse: YOLO11 ermöglicht das gezielte Zuschneiden von Objekten und somit die detaillierte Untersuchung oder Verarbeitung einzelner Elemente innerhalb einer Szene.
- Reduziertes Datenvolumen: Durch die Extraktion nur relevanter Objekte trägt das Zuschneiden von Objekten dazu bei, die Datengröße zu minimieren, was die Speicherung, Übertragung oder nachfolgende Rechenaufgaben effizienter macht.
- Erhöhte Präzision: Die Objekterkennungs- Genauigkeit von YOLO11 stellt sicher, dass die zugeschnittenen Objekte ihre räumlichen Beziehungen beibehalten, wodurch die Integrität der visuellen Informationen für eine detaillierte Analyse erhalten bleibt.
Visualisierungen
| Flughafengepäck |
|---|
 |
| Zuschneiden von Koffern am Gepäckband des Flughafens mit Ultralytics YOLO11 |
Objektfreistellung mit Ultralytics YOLO
# Crop the objects
yolo solutions crop show=True
# Pass a source video
yolo solutions crop source="path/to/video.mp4"
# Crop specific classes
yolo solutions crop classes="[0, 2]"
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
# Initialize object cropper object
cropper = solutions.ObjectCropper(
show=True, # display the output
model="yolo11n.pt", # model for object cropping i.e yolo11x.pt.
classes=[0, 2], # crop specific classes i.e. person and car with COCO pretrained model.
# conf=0.5, # adjust confidence threshold for the objects.
# crop_dir="cropped-detections", # set the directory name for cropped detections
)
# Process video
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or processing is complete.")
break
results = cropper(im0)
# print(results) # access the output
cap.release()
cv2.destroyAllWindows() # destroy all opened windows
ObjectCropper Argumente
Hier ist eine Tabelle mit den ObjectCropper Argumente:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
model |
str |
None |
Pfad zur Ultralytics YOLO Modelldatei. |
crop_dir |
str |
'cropped-detections' |
Verzeichnisname zum Speichern zugeschnittener Erkennungen. |
Darüber hinaus stehen die folgenden Visualisierungsargumente zur Verfügung:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
show |
bool |
False |
Wenn Trueaktiviert, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für sofortiges visuelles Feedback während der Entwicklung oder des Testens. |
line_width |
None or int |
None |
Gibt die Linienbreite der Begrenzungsrahmen an. Wenn None, wird die Linienbreite automatisch an die Bildgröße angepasst. Bietet eine visuelle Anpassung für mehr Klarheit. |
FAQ
Was ist Objektausschneiden in Ultralytics YOLO11 und wie funktioniert es?
Die Objektfreistellung mit Ultralytics YOLO11 umfasst das Isolieren und Extrahieren bestimmter Objekte aus einem Bild oder Video basierend auf den Erkennungsfunktionen von YOLO11. Dieser Prozess ermöglicht eine fokussierte Analyse, ein reduziertes Datenvolumen und eine verbesserte Präzision, indem YOLO11 genutzt wird, um Objekte mit hoher Genauigkeit zu identifizieren und sie entsprechend zuzuschneiden. Ein ausführliches Tutorial finden Sie im Beispiel zur Objektfreistellung.
Warum sollte ich Ultralytics YOLO11 für das Zuschneiden von Objekten anstelle anderer Lösungen verwenden?
Ultralytics YOLO11 zeichnet sich durch seine Präzision, Geschwindigkeit und Benutzerfreundlichkeit aus. Es ermöglicht eine detaillierte und genaue Objekterkennung und -beschneidung, was für eine fokussierte Analyse und Anwendungen, die eine hohe Datenintegrität erfordern, unerlässlich ist. Darüber hinaus lässt sich YOLO11 nahtlos in Tools wie OpenVINO und TensorRT für Bereitstellungen integrieren, die Echtzeitfunktionen und Optimierung auf verschiedener Hardware erfordern. Entdecken Sie die Vorteile im Leitfaden zum Modelexport.
Wie kann ich das Datenvolumen meines Datensatzes durch Objektausschnitt reduzieren?
Durch die Verwendung von Ultralytics YOLO11, um nur relevante Objekte aus Ihren Bildern oder Videos auszuschneiden, können Sie die Datengröße erheblich reduzieren und die Speicherung und Verarbeitung effizienter gestalten. Dieser Prozess beinhaltet das Trainieren des Modells, um bestimmte Objekte zu erkennen, und die anschließende Verwendung der Ergebnisse, um nur diese Teile auszuschneiden und zu speichern. Weitere Informationen zur Nutzung der Fähigkeiten von Ultralytics YOLO11 finden Sie in unserem Schnellstart-Leitfaden.
Kann ich Ultralytics YOLO11 für Echtzeit-Videoanalysen und das Zuschneiden von Objekten verwenden?
Ja, Ultralytics YOLO11 kann Echtzeit-Video-Feeds verarbeiten, um Objekte dynamisch zu erkennen und zuzuschneiden. Die High-Speed-Inferenzfähigkeiten des Modells machen es ideal für Echtzeitanwendungen wie Überwachung, Sportanalyse und automatisierte Inspektionssysteme. Sehen Sie sich die Tracking- und Vorhersagemodi an, um zu verstehen, wie die Echtzeitverarbeitung implementiert wird.
Welche Hardwareanforderungen gibt es für den effizienten Betrieb von YOLO11 zum Zuschneiden von Objekten?
Ultralytics YOLO11 ist sowohl für CPU- als auch für GPU-Umgebungen optimiert, aber um eine optimale Leistung zu erzielen, insbesondere für Echtzeit- oder High-Volume-Inferenz, wird eine dedizierte GPU (z. B. NVIDIA Tesla, RTX-Serie) empfohlen. Für die Bereitstellung auf leichten Geräten sollten Sie die Verwendung von CoreML für iOS oder TFLite für Android in Betracht ziehen. Weitere Details zu unterstützten Geräten und Formaten finden Sie in unseren Optionen zur Modellbereitstellung.
