Objektzuschnitt mit Ultralytics YOLO26
Was ist Objektausschneiden?
Der Objektzuschnitt mit Ultralytics YOLO26 beinhaltet das Isolieren und Extrahieren spezifischer erkannter Objekte aus einem Bild oder Video. Die Modellfähigkeiten von YOLO26 werden genutzt, um Objekte präzise zu identifizieren und abzugrenzen, was einen genauen Zuschnitt für weitere Analysen oder Manipulationen ermöglicht.
Ansehen: Objektfreistellung mit Ultralytics YOLO
Vorteile des Objektausschneidens
- Fokussierte Analyse: YOLO26 erleichtert den gezielten Objektzuschnitt, was eine eingehende Untersuchung oder Verarbeitung einzelner Elemente innerhalb einer Szene ermöglicht.
- 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.
- Verbesserte Präzision: Die Objekterkennungsgenauigkeit 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 |
|---|
 |
| Kofferzuschnitt am Flughafen-Förderband mit Ultralytics YOLO26 |
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
cropper = solutions.ObjectCropper(
show=True, # display the output
model="yolo26n.pt", # model for object cropping, e.g., yolo26x.pt.
classes=[0, 2], # crop specific classes such as person and car with the 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
Wenn Sie die optionale crop_dir Argument wird jedes zugeschnittene Objekt in diesen Ordner geschrieben, mit Dateinamen, die den Namen des Quellbildes und die Klasse enthalten. Dies erleichtert die Überprüfung von detect-Ergebnissen oder den Aufbau nachfolgender Datensätze, ohne zusätzlichen Code schreiben zu müssen.
ObjectCropper Argumente
Hier ist eine Tabelle mit den ObjectCropper Argumente:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer 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 | int or None | 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 Objektzuschnitt in Ultralytics YOLO26 und wie funktioniert es?
Die Objektausschnittserstellung mittels Ultralytics YOLO26 umfasst die Isolierung und Extraktion spezifischer Objekte aus einem Bild oder Video basierend auf den Erkennungsfähigkeiten von YOLO26. Dieser Prozess ermöglicht eine gezielte 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 finden Sie im Beispiel zur Objektausschnittserstellung.
Warum sollte ich Ultralytics YOLO26 für den Objektzuschnitt anstelle anderer Lösungen verwenden?
Ultralytics YOLO26 zeichnet sich durch seine Präzision, Geschwindigkeit und Benutzerfreundlichkeit aus. Es ermöglicht eine detaillierte und genaue Objekterkennung und -ausschnittserstellung, die für eine gezielte Analyse und Anwendungen mit hoher Datenintegrität unerlässlich ist. Darüber hinaus lässt sich YOLO26 nahtlos in Tools wie OpenVINO und TensorRT integrieren, für Bereitstellungen, die Echtzeitfähigkeiten und Optimierung auf unterschiedlicher Hardware erfordern. Erkunden Sie die Vorteile im Leitfaden zum Modell-Export.
Wie kann ich das Datenvolumen meines Datensatzes durch Objektausschnitt reduzieren?
Durch die Verwendung von Ultralytics YOLO26 zum Zuschneiden nur relevanter Objekte aus Ihren Bildern oder Videos können Sie die Datengröße erheblich reduzieren, was die Speicherung und Verarbeitung effizienter macht. Dieser Prozess beinhaltet das Training des Modells, um spezifische Objekte zu detect, und anschließend die Nutzung der Ergebnisse, um nur diese Bereiche zuzuschneiden und zu speichern. Weitere Informationen zur Nutzung der Fähigkeiten von Ultralytics YOLO26 finden Sie in unserer Schnellstartanleitung.
Kann ich Ultralytics YOLO26 für die Echtzeit-Videoanalyse und den Objektzuschnitt verwenden?
Ja, Ultralytics YOLO26 kann Echtzeit-Video-Feeds verarbeiten, um Objekte dynamisch zu detect und zuzuschneiden. Die Hochgeschwindigkeits-Inferenzfähigkeiten des Modells machen es ideal für Echtzeitanwendungen wie Überwachung, Sportanalyse und automatisierte Inspektionssysteme. Sehen Sie sich die track- und Vorhersagemodi an, um zu verstehen, wie die Echtzeitverarbeitung implementiert wird.
Welche Hardware-Anforderungen gibt es für den effizienten Betrieb von YOLO26 für den Objektzuschnitt?
Ultralytics YOLO26 ist sowohl für CPU- als auch für GPU-Umgebungen optimiert, doch um eine optimale Leistung zu erzielen, insbesondere für Echtzeit- oder Hochvolumen-Inferenz, wird eine dedizierte GPU (z. B. NVIDIA Tesla, RTX-Serie) empfohlen. Für die Bereitstellung auf leichtgewichtigen Geräten sollten Sie CoreML für iOS oder TFLite für Android in Betracht ziehen. Weitere Details zu unterstützten Geräten und Formaten finden Sie in unseren Modellbereitstellungsoptionen.
