Recorte de objetos usando Ultralytics YOLO26#
¿Qué es el recorte de objetos?#
El recorte de objetos con Ultralytics YOLO26 consiste en aislar y extraer objetos específicos detectados de una imagen o vídeo. Se utilizan las capacidades del modelo YOLO26 para identificar y delimitar objetos con precisión, lo que permite un recorte exacto para su posterior análisis o manipulación.
Watch: Object Cropping using Ultralytics YOLO
Ventajas del recorte de objetos#
- Análisis enfocado: YOLO26 facilita el recorte de objetos dirigidos, permitiendo un examen o procesamiento en profundidad de elementos individuales dentro de una escena.
- Reducción del volumen de datos: Al extraer solo los objetos relevantes, el recorte de objetos ayuda a minimizar el tamaño de los datos, haciéndolo eficiente para el almacenamiento, la transmisión o tareas computacionales posteriores.
- Precisión mejorada: La precisión de detección de objetos de YOLO26 garantiza que los objetos recortados mantengan sus relaciones espaciales, preservando la integridad de la información visual para un análisis detallado.
Visuales#
| Equipaje en el aeropuerto |
|---|
 |
| Recorte de maletas en la cinta transportadora del aeropuerto usando Ultralytics YOLO26 |
Recorta objetos con YOLO26#
Pasa tu vídeo a la solución ObjectCropper y este detectará objetos en cada fotograma, guardando cada detección como una imagen independiente. Restringe el recorte a classes específicos, eleva conf para conservar únicamente las detecciones con confianza y configura 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 YOLO de Ultralytics. |
crop_dir | str | 'cropped-detections' | Nombre del directorio para almacenar las detecciones recortadas. |
FAQ#
El recorte de objetos utilizando Ultralytics YOLO26 consiste en aislar y extraer objetos específicos de una imagen o vídeo basándose en las capacidades de detección de YOLO26. Este proceso permite un análisis enfocado, un volumen de datos reducido y una precisión mejorada al aprovechar YOLO26 para identificar objetos con alta exactitud y recortarlos 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 una detección y un recorte de objetos detallados y precisos, algo fundamental para un análisis enfocado y aplicaciones que requieran una gran integridad de datos. Además, YOLO26 se integra perfectamente con herramientas como OpenVINO y TensorRT para despliegues que necesiten capacidades en tiempo real y optimización en diversos tipos de hardware. Explora los beneficios en la guía de 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, lo que hace que su almacenamiento y procesamiento sean más eficientes. Este proceso consiste en entrenar al modelo para detectar objetos específicos y, a continuación, utilizar los resultados para recortar y guardar solo esas porciones. 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 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 de predicción para comprender cómo implementar el procesamiento en tiempo real.
Ultralytics YOLO26 está optimizado tanto para entornos de CPU como de GPU, pero para lograr un rendimiento óptimo, especialmente en inferencias de gran volumen o en tiempo real, se recomienda una GPU dedicada (por ejemplo, NVIDIA Tesla, serie RTX). Para implementaciones en dispositivos ligeros, considera usar CoreML para iOS o LiteRT para Android. Encontrarás más detalles sobre los dispositivos y formatos compatibles en nuestras opciones de despliegue de modelos.