Objektbeschneidung mit Ultralytics YOLO11

Was ist Objektbeschneidung?

Das Ausschneiden von Objekten mit Ultralytics YOLO11 umfasst das Isolieren und Extrahieren bestimmter erkannter Objekte aus einem Bild oder Video. Die Modellfunktionen von YOLO11 werden genutzt, um Objekte genau zu identifizieren und abzugrenzen, was ein präzises Zuschneiden für weitere Analysen oder Bearbeitungen ermöglicht.

Beobachten: Objektbeschneidung mit Ultralytics YOLO

Vorteile von Object Cropping?

• Fokussierte Analyse: YOLO11 erleichtert das gezielte Ausschneiden von Objekten und ermöglicht so die eingehende Untersuchung oder Bearbeitung einzelner Elemente innerhalb einer Szene.
• Reduzierte Datenmenge: Indem nur relevante Objekte extrahiert werden, trägt das Zuschneiden von Objekten dazu bei, die Datengröße zu minimieren, was sie für die Speicherung, Übertragung oder nachfolgende Berechnungen effizient macht.
• Verbesserte Präzision: Die Genauigkeit der Objekterkennung von YOLO11 stellt sicher, dass die ausgeschnittenen Objekte ihre räumlichen Beziehungen beibehalten und die Integrität der visuellen Informationen für eine detaillierte Analyse erhalten bleibt.

Bildmaterial

Flughafen-Gepäck
Koffer Cropping am Flughafen-Förderband mit Ultralytics YOLO11

import os

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n.pt")
names = model.names

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

crop_dir_name = "ultralytics_crop"
if not os.path.exists(crop_dir_name):
    os.mkdir(crop_dir_name)

# Video writer
video_writer = cv2.VideoWriter("object_cropping_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

idx = 0
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = model.predict(im0, show=False)
    boxes = results[0].boxes.xyxy.cpu().tolist()
    clss = results[0].boxes.cls.cpu().tolist()
    annotator = Annotator(im0, line_width=2, example=names)

    if boxes is not None:
        for box, cls in zip(boxes, clss):
            idx += 1
            annotator.box_label(box, color=colors(int(cls), True), label=names[int(cls)])

            crop_obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]

            cv2.imwrite(os.path.join(crop_dir_name, str(idx) + ".png"), crop_obj)

    cv2.imshow("ultralytics", im0)
    video_writer.write(im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Argumente model.predict

FAQ

Was ist der Objektausschnitt in Ultralytics YOLO11 und wie funktioniert er?

Das Zuschneiden von Objekten mit Ultralytics YOLO11 umfasst das Isolieren und Extrahieren bestimmter Objekte aus einem Bild oder Video auf der Grundlage der Erkennungsfunktionen von YOLO11. Dieser Prozess ermöglicht eine fokussierte Analyse, eine Verringerung des Datenvolumens und eine verbesserte Präzision, indem YOLO11 die Objekte mit hoher Genauigkeit identifiziert und sie entsprechend ausschneidet. Eine ausführliche Anleitung finden Sie im Beispiel zum Zuschneiden von Objekten.

Warum sollte ich Ultralytics YOLO11 für das Zuschneiden von Objekten verwenden und nicht andere Lösungen?

Ultralytics YOLO11 zeichnet sich durch seine Präzision, Geschwindigkeit und Benutzerfreundlichkeit aus. Sie ermöglicht eine detaillierte und genaue Objekterkennung und -beschneidung, was für gezielte Analysen und Anwendungen, die eine hohe Datenintegrität erfordern, unerlässlich ist. Darüber hinaus lässt sich YOLO11 nahtlos mit Tools wie OpenVINO und TensorRT integrieren, wenn Echtzeitfunktionen und Optimierung auf unterschiedlicher Hardware erforderlich sind. Erfahren Sie mehr über die Vorteile im Leitfaden zum Modellexport.

Wie kann ich das Datenvolumen meines Datensatzes mit Hilfe von Objektbeschneidung reduzieren?

Wenn Sie Ultralytics YOLO11 verwenden, um nur relevante Objekte aus Ihren Bildern oder Videos auszuschneiden, können Sie die Datengröße erheblich reduzieren, so dass sie effizienter gespeichert und verarbeitet werden können. Bei diesem Verfahren wird das Modell darauf trainiert, bestimmte Objekte zu erkennen, und die Ergebnisse werden dann verwendet, um nur diese Teile auszuschneiden und zu speichern. Weitere Informationen zur Nutzung der Funktionen von Ultralytics YOLO11 finden Sie in unserer Schnellstartanleitung.

Kann ich Ultralytics YOLO11 für die Echtzeit-Videoanalyse und das Zuschneiden von Objekten verwenden?

Ja, Ultralytics YOLO11 kann Echtzeit-Videomaterial verarbeiten, um Objekte dynamisch zu erkennen und zuzuschneiden. Die Hochgeschwindigkeits-Inferenzfunktionen des Modells machen es ideal für Echtzeitanwendungen wie Überwachung, Sportanalyse und automatische Inspektionssysteme. Sehen Sie sich die Verfolgungs- und Vorhersagemodi an, um zu verstehen, wie die Echtzeitverarbeitung implementiert werden kann.

Welche Hardware-Anforderungen sind für die effiziente Ausführung von YOLO11 für das Zuschneiden von Objekten erforderlich?

Ultralytics YOLO11 ist sowohl für CPU - als auch für GPU -Umgebungen optimiert. Um jedoch eine optimale Leistung zu erzielen, insbesondere für Echtzeit- oder Masseninferenzen, wird ein spezielles GPU (z. B. NVIDIA Tesla, RTX-Serie) empfohlen. Für den Einsatz auf leichtgewichtigen Geräten sollten Sie CoreML für iOS oder TFLite für Android verwenden. Weitere Einzelheiten zu den unterstützten Geräten und Formaten finden Sie in unseren Optionen für die Modellbereitstellung.

📅 Erstellt vor 11 Monaten ✏️ Aktualisiert vor 2 Monaten

Kommentare