Recorte de objetos con Ultralytics YOLO26#
¿Qué es el recorte de objetos?#
El recorte de objetos con Ultralytics YOLO26 consiste en aislar y extraer objetos detectados específicos de una imagen o un vídeo. Las capacidades del modelo YOLO26 se utilizan para identificar y delimitar objetos con precisión, lo que permite recortarlos con exactitud para analizarlos o manipularlos posteriormente.
Ver: Recorte de objetos con Ultralytics YOLO
Ventajas del recorte de objetos#
- Análisis centrado: YOLO26 facilita el recorte selectivo de objetos, lo que permite examinar o procesar en profundidad elementos individuales de una escena.
- Menor volumen de datos: Al extraer solo los objetos relevantes, el recorte de objetos ayuda a reducir el tamaño de los datos y facilita su almacenamiento, transmisión o procesamiento computacional posterior.
- Mayor precisión: La detección de objetos y la precisión de YOLO26 garantizan que los objetos recortados mantengan sus relaciones espaciales y conserven la integridad de la información visual para un análisis detallado.
Elementos visuales#
| Equipaje en el aeropuerto |
|---|
 |
| Recorte de maletas en la cinta transportadora de un aeropuerto con Ultralytics YOLO26 |
Recorta objetos con YOLO26#
Pasa tu vídeo a la solución ObjectCropper: detectará objetos en cada fotograma y guardará cada detección como una imagen independiente. Limita el recorte a clases específicas con classes, aumenta conf para conservar solo las detecciones con suficiente confianza y establece crop_dir para elegir dónde se guardan los recortes.
# 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]"Argumentos de ObjectCropper#
Aquí tienes una tabla con los argumentos de ObjectCropper:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
model | str | None | Ruta a un archivo de modelo Ultralytics YOLO. |
crop_dir | str | 'cropped-detections' | Nombre del directorio donde se guardan las detecciones recortadas. |
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. |
ObjectCropper ejecuta predict en lugar de track, por lo que admite los siguientes parámetros de inferencia, excepto tracker:
| 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/sin definir (FP32) para modelos de PyTorch y TorchScript; los demás formatos calculan con la precisión que determinen su artefacto y su entorno de ejecución. Sustituye a la opción obsoleta half. |
Preguntas frecuentes#
El recorte de objetos con Ultralytics YOLO26 consiste en aislar y extraer objetos específicos de una imagen o un vídeo a partir de las capacidades de detección de YOLO26. Este proceso permite centrar el análisis, reducir el volumen de datos y mejorar la precisión gracias a YOLO26, que identifica objetos con gran exactitud y los recorta en consecuencia. Para ver un tutorial detallado, consulta el ejemplo de recorte de objetos.
Ultralytics YOLO26 destaca por su precisión, velocidad y facilidad de uso. Permite detectar y recortar objetos de forma detallada y precisa, algo esencial para el análisis centrado y las aplicaciones que requieren una gran integridad de los datos. Además, YOLO26 se integra sin problemas con herramientas como OpenVINO y TensorRT para implementaciones que requieren capacidades en tiempo real y optimización en distintos tipos de hardware. Descubre sus ventajas en la guía de exportación de modelos.
Al usar Ultralytics YOLO26 para recortar solo los objetos relevantes de tus imágenes o vídeos, puedes reducir considerablemente el tamaño de los datos y mejorar la eficiencia del almacenamiento y el procesamiento. Este proceso consiste en entrenar el modelo para detectar objetos específicos y, a continuación, usar los resultados para recortar y guardar solo esas partes. Para obtener más información sobre cómo aprovechar las capacidades de Ultralytics YOLO26, visita nuestra guía de inicio rápido.
Sí, Ultralytics YOLO26 puede procesar flujos de vídeo en tiempo real para detectar y recortar objetos de forma dinámica. La inferencia de alta velocidad del modelo lo hace ideal para aplicaciones en tiempo real, como la videovigilancia, el análisis deportivo y los sistemas de inspección automatizados. Consulta los modos de seguimiento y de predicción para saber cómo implementar el procesamiento en tiempo real.
Ultralytics YOLO26 está optimizado para entornos con CPU y GPU, pero se recomienda una GPU dedicada (p. ej., NVIDIA Tesla o de la serie RTX) para lograr un rendimiento óptimo, especialmente con inferencias en tiempo real o de gran volumen. Para implementarlo en dispositivos ligeros, considera usar CoreML en iOS o LiteRT en Android. Encontrarás más información sobre los dispositivos y formatos compatibles en nuestras opciones de implementación de modelos.