Desenfoque de objetos usando Ultralytics YOLO11 🚀

¿Qué es el desenfoque de objetos?

El desenfoque de objetos con Ultralytics YOLO11 consiste en aplicar un efecto de desenfoque a determinados objetos detectados en una imagen o vídeo. Esto puede lograrse utilizando las capacidades del modelo YOLO11 para identificar y manipular objetos dentro de una escena determinada.

Observa: Desenfoque de objetos con Ultralytics YOLO11

¿Ventajas del desenfoque de objetos?

• Protección de la privacidad: El desenfoque de objetos es una herramienta eficaz para salvaguardar la privacidad ocultando información sensible o de identificación personal en imágenes o vídeos.
• Enfoque selectivo: YOLO11 permite el desenfoque selectivo, lo que permite a los usuarios centrarse en objetos específicos, garantizando un equilibrio entre la privacidad y la conservación de la información visual relevante.
• Procesamiento en tiempo real: YOLO11 La eficiencia de 's permite el desenfoque de objetos en tiempo real, por lo que es adecuado para aplicaciones que requieren mejoras de privacidad sobre la marcha en entornos dinámicos.

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))

# Blur ratio
blur_ratio = 50

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

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):
            annotator.box_label(box, color=colors(int(cls), True), label=names[int(cls)])

            obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]
            blur_obj = cv2.blur(obj, (blur_ratio, blur_ratio))

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

    cv2.imshow("ultralytics", im0)
    video_writer.write(im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

Argumentos model.predict

PREGUNTAS FRECUENTES

¿Qué es el desenfoque de objetos con Ultralytics YOLO11 ?

El desenfoque de objetos con Ultralytics YOLO11 consiste en detectar y aplicar automáticamente un efecto de desenfoque a objetos específicos en imágenes o vídeos. Esta técnica mejora la privacidad ocultando información sensible y conservando los datos visuales relevantes. YOLO11 La capacidad de procesamiento en tiempo real de la cámara la hace idónea para aplicaciones que requieren una protección inmediata de la privacidad y ajustes selectivos del enfoque.

¿Cómo puedo implementar el desenfoque de objetos en tiempo real utilizando YOLO11?

Para implementar el desenfoque de objetos en tiempo real con YOLO11, siga el ejemplo proporcionado Python . Esto implica utilizar YOLO11 para la detección de objetos y OpenCV para aplicar el efecto de desenfoque. Aquí tienes una versión simplificada:

import cv2

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break

    results = model.predict(im0, show=False)
    for box in results[0].boxes.xyxy.cpu().tolist():
        obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]
        im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])] = cv2.blur(obj, (50, 50))

    cv2.imshow("YOLO11 Blurring", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

¿Cuáles son las ventajas de utilizar Ultralytics YOLO11 para el desenfoque de objetos?

Ultralytics YOLO11 ofrece varias ventajas para el desenfoque de objetos:

• Protección de la intimidad: Ocultar eficazmente la información sensible o identificable.
• Enfoque selectivo: Enfoque objetos específicos para difuminarlos, manteniendo el contenido visual esencial.
• Procesamiento en tiempo real: Ejecuta el desenfoque de objetos de forma eficiente en entornos dinámicos, apto para mejoras instantáneas de la privacidad.

Para aplicaciones más detalladas, consulte la sección Ventajas del desenfoque de objetos.

¿Puedo utilizar Ultralytics YOLO11 para difuminar las caras en un vídeo por motivos de privacidad?

Sí, Ultralytics YOLO11 puede configurarse para detectar y difuminar rostros en vídeos para proteger la privacidad. Mediante el entrenamiento o el uso de un modelo pre-entrenado para reconocer específicamente las caras, los resultados de la detección pueden ser procesados con OpenCV para aplicar un efecto de desenfoque. Consulte nuestra guía sobre detección de objetos con YOLO11 y modifique el código para orientarlo a la detección de caras.

¿Cómo se compara YOLO11 con otros modelos de detección de objetos como Faster R-CNN para el desenfoque de objetos?

Ultralytics YOLO11 suele superar en velocidad a modelos como Faster R-CNN, lo que lo hace más adecuado para aplicaciones en tiempo real. Aunque ambos modelos ofrecen una detección precisa, la arquitectura de YOLO11 está optimizada para la inferencia rápida, que es fundamental para tareas como el desenfoque de objetos en tiempo real. Obtenga más información sobre las diferencias técnicas y las métricas de rendimiento en nuestra documentación deYOLO11 .

Creado hace 11 meses ✏️ Actualizado hace 2 meses

Comentarios