Objekte mit Ultralytics YOLO26 zuschneiden#
Was bedeutet das Zuschneiden von Objekten?#
Beim Zuschneiden von Objekten mit Ultralytics YOLO26 werden bestimmte erkannte Objekte aus einem Bild oder Video isoliert und extrahiert. Die Fähigkeiten des YOLO26-Modells werden genutzt, um Objekte präzise zu identifizieren und abzugrenzen und so ein genaues Zuschneiden für weitere Analysen oder Bearbeitungen zu ermöglichen.
Watch: Object Cropping using Ultralytics YOLO
Vorteile des Zuschneidens von Objekten#
- Gezielte Analyse: YOLO26 ermöglicht das gezielte Zuschneiden von Objekten und erlaubt so die eingehende Untersuchung oder Verarbeitung einzelner Elemente innerhalb einer Szene.
- Reduziertes Datenvolumen: Durch das Extrahieren ausschließlich relevanter Objekte trägt das Zuschneiden dazu bei, die Datengröße zu minimieren, und macht Speicherung, Übertragung oder nachfolgende Rechenaufgaben effizienter.
- Höhere Präzision: Die Genauigkeit der Objekterkennung von YOLO26 stellt sicher, dass die zugeschnittenen Objekte ihre räumlichen Beziehungen beibehalten und so die Integrität der visuellen Informationen für detaillierte Analysen bewahren.
Visualisierungen#
| Flughafengepäck |
|---|
 |
| Koffer am Gepäckförderband des Flughafens mit Ultralytics YOLO26 zuschneiden |
Objekte mit YOLO26 zuschneiden#
Übergib dein Video an die Lösung ObjectCropper. Sie erkennt Objekte in jedem Bild und speichert jede Erkennung als separates Bild. Beschränke das Zuschneiden auf bestimmte classes, erhöhe conf, um nur Erkennungen mit ausreichender Konfidenz beizubehalten, und lege mit crop_dir fest, wohin die zugeschnittenen Bilder geschrieben 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 von ObjectCropper#
Hier ist eine Tabelle mit den Argumenten von ObjectCropper:
| Argument | Typ | Standardwert | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer YOLO-Modell-Datei von Ultralytics. |
crop_dir | str | 'cropped-detections' | Verzeichnisname zum Speichern ausgeschnittener Erkennungen. |
FAQ#
Beim Zuschneiden von Objekten mit Ultralytics YOLO26 werden anhand der Erkennungsfunktionen von YOLO26 bestimmte Objekte aus einem Bild oder Video isoliert und extrahiert. Dieser Prozess ermöglicht eine gezielte Analyse, ein reduziertes Datenvolumen und eine höhere Präzision, indem YOLO26 Objekte mit hoher Genauigkeit identifiziert und entsprechend zuschneidet. Eine ausführliche Anleitung 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 von Objekten – unverzichtbar für eine gezielte Analyse und Anwendungen, die eine hohe Datenintegrität erfordern. Außerdem lässt sich YOLO26 nahtlos in Tools wie OpenVINO und TensorRT integrieren, um Echtzeitfunktionen und Optimierungen auf vielfältiger Hardware zu ermöglichen. Weitere Vorteile findest du in der Anleitung zum Export von Modellen.
Indem du mit Ultralytics YOLO26 nur relevante Objekte aus deinen Bildern oder Videos zuschneidest, kannst du die Datengröße deutlich reduzieren und so Speicherung und Verarbeitung effizienter gestalten. Dazu wird das Modell darauf trainiert, bestimmte Objekte zu erkennen, und anschließend werden die Ergebnisse genutzt, um ausschließlich diese Bereiche zuzuschneiden und zu speichern. Weitere Informationen zur Nutzung der Funktionen von Ultralytics YOLO26 findest du in unserer Schnellstartanleitung.
Ja, Ultralytics YOLO26 kann Videostreams in Echtzeit verarbeiten, um Objekte dynamisch zu erkennen und zuzuschneiden. Die hohe Geschwindigkeit der Inferenz macht das Modell ideal für Echtzeitanwendungen wie Überwachung, Sportanalysen und automatisierte Prüfsysteme. Sieh dir die Tracking-Modi und Vorhersagemodi an, um zu erfahren, wie du die Echtzeitverarbeitung implementierst.
Ultralytics YOLO26 ist sowohl für CPU- als auch für GPU-Umgebungen optimiert. Für eine optimale Leistung, insbesondere bei Echtzeit- oder umfangreichen Inferenzaufgaben, wird jedoch eine dedizierte GPU (z. B. NVIDIA Tesla oder eine RTX-Serie) empfohlen. Für die Bereitstellung 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 die Modellbereitstellung.