Desenfoque de objetos con Ultralytics YOLO26#
¿Qué es el desenfoque de objetos?#
El desenfoque de objetos con Ultralytics YOLO26 consiste en aplicar un efecto de desenfoque a objetos detectados específicos en una imagen o vídeo. Esto se puede conseguir utilizando las capacidades del modelo YOLO26 para identificar y manipular objetos dentro de una escena determinada.
Watch: How to Train Face Detection Model using Ultralytics Platform & Blur Faces | Ultralytics YOLO26 🚀
Ventajas del desenfoque de objetos#
- Protección de la privacidad: El desenfoque de objetos es una herramienta eficaz para proteger la privacidad, ya que oculta información sensible o que permite identificar personalmente a alguien en imágenes o vídeos.
- Enfoque selectivo: YOLO26 permite aplicar desenfoque de forma selectiva y dirigirlo a objetos específicos, garantizando un equilibrio entre la privacidad y la conservación de la información visual relevante.
- Procesamiento en tiempo real: La eficiencia de YOLO26 permite desenfocar objetos en tiempo real, por lo que resulta adecuado para aplicaciones que requieren mejoras de privacidad sobre la marcha en entornos dinámicos.
- Cumplimiento normativo: Ayuda a las organizaciones a cumplir normativas de protección de datos como el GDPR mediante la anonimización de información identificable en contenido visual.
- Moderación de contenido: Resulta útil para desenfocar contenido inapropiado o sensible en plataformas multimedia sin perder el contexto general.
Desenfoca objetos con YOLO26#
Pasa tu vídeo a la solución ObjectBlurrer; esta detecta objetos en cada fotograma y aplica un desenfoque de media (en recuadro) a cada detección. Controla la intensidad con blur_ratio (0.1–1.0) y limita el desenfoque a classes específicos; por ejemplo, solo a personas y coches.
# Blur the objects
yolo solutions blur show=True
# Pass a source video
yolo solutions blur source="path/to/video.mp4"
# Blur the specific classes
yolo solutions blur classes="[0, 5]"Argumentos de ObjectBlurrer#
Aquí tienes una tabla con los argumentos de ObjectBlurrer:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
model | str | None | Ruta al archivo del modelo YOLO de Ultralytics. |
blur_ratio | float | 0.5 | Ajusta el porcentaje de intensidad del desenfoque, con valores en el rango 0.1 - 1.0. |
line_width | int | 2 | Grosor de línea de las cajas, los puntos clave y los recuentos que dibuja la solución. |
verbose | bool | True | Activa el registro por fotograma de la solución, que incluye la forma de entrada, los recuentos de clases y la velocidad de procesamiento. La llamada de seguimiento en sí siempre es silenciosa. |
La solución ObjectBlurrer también admite varios argumentos de track:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Especifica el algoritmo de seguimiento que se utilizará. Opciones integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Establece el umbral de confianza para las detecciones; los valores más bajos permiten seguir más objetos, pero pueden incluir falsos positivos. |
iou | float | 0.7 | Establece el umbral de intersección sobre unión (IoU) para filtrar las detecciones superpuestas. |
classes | list | None | Filtra los resultados por índice de clase. Por ejemplo, classes=[0, 2, 3] solo sigue las clases especificadas. |
device | str | None | Especifica el dispositivo para la inferencia (por ejemplo, cpu, cuda:0 o 0). Permite seleccionar entre la CPU, una GPU específica u otros dispositivos de cálculo para ejecutar el modelo. |
imgsz | int or tuple | 640 | Tamaño de imagen de inferencia objetivo: un número entero para una imagen cuadrada o un par (height, width). Las formas se ajustan al paso del modelo. |
max_det | int | 300 | Número máximo de detecciones conservadas por fotograma antes del seguimiento, lo que limita los objetos que procesa una solución en escenas densas. |
quantize | int or str | None | Precisión de inferencia: 16 (FP16) o 32/sin definir (FP32) para los modelos de PyTorch y TorchScript; otros formatos calculan a la precisión que seleccionan su artefacto y su motor de ejecución. Sustituye al indicador obsoleto half. |
Además, se pueden utilizar los siguientes argumentos de visualización:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
show | bool | False | Si True, muestra las imágenes o vídeos anotados en una ventana. Es útil para obtener información visual inmediata durante el desarrollo o las pruebas. |
show_conf | bool | True | Muestra la puntuación de confianza de cada detección junto a su etiqueta. Permite conocer el grado de certeza del modelo para cada detección. |
show_labels | bool | True | Muestra las etiquetas de cada detección en la salida visual. Proporciona una comprensión inmediata de los objetos detectados. |
Aplicaciones en el mundo real#
Protección de la privacidad en la videovigilancia#
Las cámaras de seguridad y los sistemas de videovigilancia pueden utilizar YOLO26 para desenfocar automáticamente rostros, matrículas u otra información identificativa sin dejar de captar actividades importantes. Esto ayuda a mantener la seguridad y, al mismo tiempo, respetar los derechos de privacidad en espacios públicos.
Anonimización de datos sanitarios#
En las imágenes médicas, la información del paciente suele aparecer en escáneres o fotografías. YOLO26 puede detectar y desenfocar esta información para cumplir normativas como la HIPAA al compartir datos médicos con fines de investigación o educativos.
Censura de documentos#
Al compartir documentos que contienen información sensible, YOLO26 puede detectar y desenfocar automáticamente elementos específicos, como firmas, números de cuenta o datos personales, agilizando el proceso de censura y manteniendo la integridad del documento.
Creación de contenido y multimedia#
Los creadores de contenido pueden utilizar YOLO26 para desenfocar logotipos de marcas, material protegido por derechos de autor o contenido inapropiado en vídeos e imágenes, lo que ayuda a evitar problemas legales sin perder la calidad general del contenido.
Preguntas frecuentes#
El desenfoque de objetos con Ultralytics YOLO26 consiste en detectar automáticamente objetos específicos en imágenes o vídeos y aplicarles un efecto de desenfoque. Esta técnica mejora la privacidad al ocultar información sensible y conservar al mismo tiempo los datos visuales relevantes. Las capacidades de procesamiento en tiempo real de YOLO26 lo hacen adecuado para aplicaciones que requieren protección inmediata de la privacidad y ajustes selectivos del enfoque.
Utiliza el ejemplo de Python anterior, que ejecuta la detección de objetos de YOLO26 y desenfoca cada detección en cada fotograma. Establece
blur_ratio(por ejemplo,0.5para una intensidad de desenfoque del 50 %) para controlar el efecto y pasaclassespara desenfocar solo tipos de objetos específicos.Ultralytics YOLO26 ofrece varias ventajas para el desenfoque de objetos:
- Protección de la privacidad: Oculta eficazmente información sensible o identificable.
- Enfoque selectivo: Permite seleccionar objetos específicos para desenfocarlos y conservar el contenido visual esencial.
- Procesamiento en tiempo real: Ejecuta el desenfoque de objetos de forma eficiente en entornos dinámicos, por lo que resulta adecuado para mejoras instantáneas de la privacidad.
- Intensidad personalizable: Ajusta la proporción de desenfoque para equilibrar las necesidades de privacidad con el contexto visual.
- Desenfoque por clase: Desenfoca selectivamente solo determinados tipos de objetos y deja los demás visibles.
Para ver aplicaciones más detalladas, consulta la sección sobre las ventajas del desenfoque de objetos.
Sí, puedes configurar Ultralytics YOLO26 para detectar y desenfocar rostros en vídeos con el fin de proteger la privacidad. Si entrenas o utilizas un modelo preentrenado para reconocer rostros específicamente, puedes procesar los resultados de la detección con OpenCV para aplicar un efecto de desenfoque. Consulta nuestra guía sobre detección de objetos con YOLO26 y modifica el código para dirigirte a la detección de rostros.
Ultralytics YOLO26 suele superar a modelos como Faster R-CNN en velocidad, por lo que resulta más adecuado para aplicaciones en tiempo real. Aunque ambos modelos ofrecen una detección precisa, la arquitectura de YOLO26 está optimizada para una inferencia rápida, algo fundamental en tareas como el desenfoque de objetos en tiempo real. Consulta nuestra documentación de YOLO26 para obtener más información sobre las diferencias técnicas y las métricas de rendimiento.