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 su posterior análisis o manipulación.
Watch: Object Cropping using Ultralytics YOLO
Ventajas del recorte de objetos#
- Análisis focalizado: YOLO26 facilita el recorte específico de objetos, lo que permite examinar o procesar en profundidad elementos individuales dentro de una escena.
- Menor volumen de datos: Al extraer únicamente los objetos relevantes, el recorte de objetos ayuda a minimizar el tamaño de los datos, lo que mejora la eficiencia del almacenamiento, la transmisión o las tareas computacionales posteriores.
- Mayor precisión: La detección de objetos y la precisión de YOLO26 garantizan que los objetos recortados mantengan sus relaciones espaciales, preservando la integridad de la información visual para un análisis detallado.
Elementos visuales#
| Equipaje de aeropuerto |
|---|
 |
| Recorte de maletas en una cinta transportadora de aeropuerto con Ultralytics YOLO26 |
Recorta objetos con YOLO26#
Pasa tu vídeo a la solución ObjectCropper y detectará objetos en cada fotograma, guardando cada detección como una imagen independiente. Restringe el recorte a classes específicos, aumenta conf para conservar únicamente las detecciones con confianza suficiente y establece crop_dir para elegir dónde se escribirán 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 al archivo del modelo YOLO de Ultralytics. |
crop_dir | str | 'cropped-detections' | Nombre del directorio donde se almacenan las detecciones recortadas. |
Preguntas frecuentes#
El recorte de objetos con Ultralytics YOLO26 consiste en aislar y extraer objetos específicos de una imagen o un vídeo basándose en las capacidades de detección de YOLO26. Este proceso permite realizar un análisis focalizado, reducir el volumen de datos y mejorar la precisión, ya que aprovecha YOLO26 para identificar objetos con gran exactitud y recortarlos según corresponda. Para consultar un tutorial detallado, visita 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 focalizado y las aplicaciones que necesitan una gran integridad de los datos. Además, YOLO26 se integra perfectamente con herramientas como OpenVINO y TensorRT para implementaciones que requieren funcionalidades en tiempo real y optimización en hardware diverso. Descubre sus ventajas en la guía sobre la exportación de modelos.
Al utilizar Ultralytics YOLO26 para recortar únicamente los objetos relevantes de tus imágenes o vídeos, puedes reducir significativamente 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, utilizar 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 secuencias de vídeo en tiempo real para detectar y recortar objetos dinámicamente. Las capacidades de inferencia de alta velocidad del modelo lo hacen ideal para aplicaciones en tiempo real, como la videovigilancia, el análisis deportivo y los sistemas de inspección automatizada. Consulta los modos de seguimiento y predicción para saber cómo implementar el procesamiento en tiempo real.
Ultralytics YOLO26 está optimizado tanto para entornos con CPU como con GPU, pero para obtener un rendimiento óptimo, especialmente en inferencias en tiempo real o de gran volumen, se recomienda una GPU dedicada (p. ej., NVIDIA Tesla o de la serie RTX). Para implementarlo en dispositivos ligeros, considera usar CoreML para iOS o LiteRT para Android. Encontrarás más información sobre los dispositivos y formatos compatibles en nuestras opciones de implementación de modelos.