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 concretos en una imagen o un vídeo. Para ello, se pueden utilizar las capacidades del modelo YOLO26 para identificar y modificar objetos de una escena.
Ver: Cómo entrenar un modelo de detección de rostros con Ultralytics Platform y difuminar los rostros | 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 el desenfoque de forma selectiva para centrarse en objetos concretos y mantener así 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 necesitan mejorar la privacidad sobre la marcha en entornos dinámicos.
- Cumplimiento normativo: ayuda a las organizaciones a cumplir normativas de protección de datos, como el GDPR, al anonimizar información que permite identificar a personas 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 el vídeo a la solución ObjectBlurrer para que detecte objetos en cada fotograma y aplique un desenfoque de promediado (de caja) a cada detección. Ajusta la intensidad con blur_ratio (0.1–1.0) y limita el desenfoque a classes concretas; 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 a un archivo de modelo Ultralytics YOLO. |
blur_ratio | float | 0.5 | Ajusta el porcentaje de intensidad del desenfoque, con valores dentro del intervalo 0.1 - 1.0. |
line_width | int | 2 | Grosor de línea de los cuadros, puntos clave y recuentos que dibuja la solución. |
verbose | bool | True | Activa el registro por fotograma de la forma de entrada, los recuentos por clase y la velocidad de procesamiento de la solución. La llamada de seguimiento en sí siempre es silenciosa. |
La solución ObjectBlurrer también admite varios argumentos track:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Especifica el algoritmo de seguimiento que se va a usar. Opciones integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Establece el umbral de confianza de 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 solapadas. |
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 (p. ej., cpu, cuda:0 o 0). Permite elegir entre CPU, una GPU concreta u otros dispositivos de cálculo para ejecutar el modelo. |
imgsz | int or tuple | 640 | Tamaño de imagen de destino para la inferencia: un entero para una imagen cuadrada o una pareja (height, width). Las dimensiones se ajustan al stride del modelo. |
max_det | int | 300 | Número máximo de detecciones que se conservan 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/unset (FP32) para los modelos PyTorch y TorchScript fuera de CPU; los demás formatos usan la precisión que seleccionen el artefacto y el entorno de ejecución. Sustituye al argumento obsoleto half. |
Además, puedes usar los siguientes argumentos de visualización:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
show | bool | False | Si True, muestra las imágenes o los 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 etiquetas para cada detección en la salida visual. Facilita la identificación 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 usar YOLO26 para desenfocar automáticamente caras, matrículas u otra información identificativa sin dejar de capturar actividades importantes. Esto ayuda a mantener la seguridad y respetar el derecho a la privacidad en espacios públicos.
Anonimización de datos sanitarios#
En las imágenes médicas, la información de los pacientes suele aparecer en escáneres o fotografías. YOLO26 puede detectar y desenfocar esta información para cumplir normativas como HIPAA al compartir datos médicos con fines de investigación o formación.
Supresión de información en documentos#
Al compartir documentos que contienen información sensible, YOLO26 puede detectar y desenfocar automáticamente elementos concretos, como firmas, números de cuenta o datos personales, lo que agiliza el proceso de supresión y mantiene la integridad del documento.
Creación de contenido y medios#
Los creadores de contenido pueden usar YOLO26 para desenfocar logotipos de marcas, material protegido por derechos de autor o contenido inapropiado en vídeos e imágenes. Así pueden evitar problemas legales y conservar la calidad general del contenido.
Preguntas frecuentes#
El desenfoque de objetos con Ultralytics YOLO26 consiste en detectar automáticamente objetos concretos en imágenes o vídeos y aplicarles un efecto de desenfoque. Esta técnica mejora la privacidad al ocultar información sensible sin perder datos visuales relevantes. La capacidad de procesamiento en tiempo real de YOLO26 lo hace adecuado para aplicaciones que requieren proteger la privacidad de inmediato y ajustar el enfoque de forma selectiva.
Usa el ejemplo de Python anterior, que ejecuta la detección de objetos con YOLO26 y desenfoca cada detección en cada fotograma. Ajusta
blur_ratio(por ejemplo,0.5para una intensidad de desenfoque del 50 %) para controlar el efecto y pasaclassespara desenfocar solo tipos de objetos concretos.Ultralytics YOLO26 ofrece varias ventajas para desenfocar objetos:
- Protección de la privacidad: oculta eficazmente información sensible o identificativa.
- Enfoque selectivo: permite desenfocar objetos concretos y mantener el contenido visual esencial.
- Procesamiento en tiempo real: desenfoca objetos de forma eficiente en entornos dinámicos, por lo que resulta adecuado para mejorar la privacidad al instante.
- Intensidad ajustable: ajusta el nivel de desenfoque para encontrar el equilibrio entre las necesidades de privacidad y el contexto visual.
- Desenfoque por clase: desenfoca de forma selectiva solo determinados tipos de objetos y deja los demás visibles.
Para conocer aplicaciones más detalladas, consulta la sección sobre las ventajas del desenfoque de objetos.
Sí, puedes configurar Ultralytics YOLO26 para detectar y desenfocar caras en vídeos con el fin de proteger la privacidad. Si entrenas un modelo para reconocer caras específicamente o utilizas uno preentrenado con ese fin, puedes procesar los resultados de la detección con OpenCV para aplicar un efecto de desenfoque. Consulta nuestra guía sobre la detección de objetos con YOLO26 y modifica el código para detectar caras.
Ultralytics YOLO26 suele superar a modelos como Faster R-CNN en velocidad, por lo que es más adecuado para aplicaciones en tiempo real. Aunque ambos modelos ofrecen una detección precisa, la arquitectura de YOLO26 está optimizada para realizar inferencias rápidamente, algo fundamental en tareas como el desenfoque de objetos en tiempo real. Descubre más sobre las diferencias técnicas y las métricas de rendimiento en nuestra documentación de YOLO26.