Recorte de Objetos usando Ultralytics YOLO11
¿Qué es el recorte de objetos?
El recorte de objetos con Ultralytics YOLO11 implica aislar y extraer objetos detectados específicos de una imagen o video. Las capacidades del modelo YOLO11 se utilizan para identificar y delinear objetos con precisión, lo que permite un recorte preciso para su posterior análisis o manipulación.
Ver: Recorte de Objetos usando Ultralytics YOLO
Ventajas del Recorte de Objetos
- Análisis enfocado: YOLO11 facilita el recorte de objetos específicos, lo que permite un examen o procesamiento en profundidad de elementos individuales dentro de una escena.
- Volumen de Datos Reducido: Al extraer solo los objetos relevantes, el recorte de objetos ayuda a minimizar el tamaño de los datos, lo que lo hace eficiente para el almacenamiento, la transmisión o las tareas computacionales posteriores.
- Precisión mejorada: La detección de objetos precisa de YOLO11 garantiza 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 la cinta transportadora del aeropuerto utilizando Ultralytics YOLO11 |
Recorte de Objetos usando Ultralytics YOLO
# Crop the objects
yolo solutions crop show=True
# Pass a source video
yolo solutions crop source="path/to/video.mp4"
# Crop specific classes
yolo solutions crop classes="[0, 2]"
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
# Initialize object cropper object
cropper = solutions.ObjectCropper(
show=True, # display the output
model="yolo11n.pt", # model for object cropping i.e yolo11x.pt.
classes=[0, 2], # crop specific classes i.e. person and car with COCO pretrained model.
# conf=0.5, # adjust confidence threshold for the objects.
# crop_dir="cropped-detections", # set the directory name for cropped detections
)
# Process video
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or processing is complete.")
break
results = cropper(im0)
# print(results) # access the output
cap.release()
cv2.destroyAllWindows() # destroy all opened windows
ObjectCropper
Argumentos
Aquí tiene una tabla con el ObjectCropper
argumentos:
Argumento | Tipo | Predeterminado | Descripción |
---|---|---|---|
model |
str |
None |
Ruta al archivo del modelo YOLO de Ultralytics. |
crop_dir |
str |
'cropped-detections' |
Nombre del directorio para almacenar las detecciones recortadas. |
Además, los siguientes argumentos de visualización están disponibles para su uso:
Argumento | Tipo | Predeterminado | Descripción |
---|---|---|---|
show |
bool |
False |
Si True , muestra las imágenes o vídeos anotados en una ventana. Útil para obtener información visual inmediata durante el desarrollo o las pruebas. |
line_width |
None or int |
None |
Especifica el ancho de línea de los cuadros delimitadores. Si None , el ancho de línea se ajusta automáticamente en función del tamaño de la imagen. Proporciona personalización visual para mayor claridad. |
Preguntas frecuentes
¿Qué es el recorte de objetos en Ultralytics YOLO11 y cómo funciona?
El recorte de objetos usando Ultralytics YOLO11 implica aislar y extraer objetos específicos de una imagen o video basándose en las capacidades de detección de YOLO11. Este proceso permite un análisis enfocado, un volumen de datos reducido y una mayor precisión al aprovechar YOLO11 para identificar objetos con alta exactitud y recortarlos en consecuencia. Para un tutorial detallado, consulte el ejemplo de recorte de objetos.
¿Por qué debería usar Ultralytics YOLO11 para el recorte de objetos en lugar de otras soluciones?
Ultralytics YOLO11 destaca por su precisión, velocidad y facilidad de uso. Permite la detección y el recorte detallados y precisos de objetos, lo cual es esencial para el análisis enfocado y las aplicaciones que necesitan una alta integridad de los datos. Además, YOLO11 se integra a la perfección con herramientas como OpenVINO y TensorRT para implementaciones que requieren capacidades en tiempo real y optimización en diversos hardwares. Explore los beneficios en la guía sobre la exportación de modelos.
¿Cómo puedo reducir el volumen de datos de mi conjunto de datos utilizando el recorte de objetos?
Al utilizar Ultralytics YOLO11 para recortar solo los objetos relevantes de tus imágenes o vídeos, puedes reducir significativamente el tamaño de los datos, haciéndolos más eficientes para el almacenamiento y el procesamiento. Este proceso implica entrenar el modelo para detectar objetos específicos y luego usar los resultados para recortar y guardar solo estas porciones. Para obtener más información sobre cómo aprovechar las capacidades de Ultralytics YOLO11, visita nuestra guía de inicio rápido.
¿Puedo usar Ultralytics YOLO11 para el análisis de video en tiempo real y el recorte de objetos?
Sí, Ultralytics YOLO11 puede procesar transmisiones de vídeo en tiempo real para detectar y recortar objetos de forma dinámica. Las capacidades de inferencia de alta velocidad del modelo lo hacen ideal para aplicaciones en tiempo real como la vigilancia, el análisis deportivo y los sistemas de inspección automatizados. Consulta los modos de seguimiento y predicción para entender cómo implementar el procesamiento en tiempo real.
¿Cuáles son los requisitos de hardware para ejecutar YOLO11 de manera eficiente para el recorte de objetos?
Ultralytics YOLO11 está optimizado tanto para entornos de CPU como de GPU, pero para lograr un rendimiento óptimo, especialmente para la inferencia en tiempo real o de alto volumen, se recomienda una GPU dedicada (por ejemplo, NVIDIA Tesla, serie RTX). Para la implementación en dispositivos ligeros, considere usar CoreML para iOS o TFLite para Android. Puede encontrar más detalles sobre los dispositivos y formatos compatibles en nuestras opciones de implementación de modelos.