Recorte de objetos mediante Ultralytics YOLOv8

¿Qué es el recorte de objetos?

El recorte de objetos con Ultralytics YOLOv8 consiste en aislar y extraer objetos específicos detectados de una imagen o vídeo. Las capacidades del modelo YOLOv8 se utilizan para identificar y delinear con precisión los objetos, lo que permite un recorte preciso para su posterior análisis o manipulación.

Observa: Recorte de objetos mediante Ultralytics YOLOv8

¿Ventajas del recorte de objetos?

• Análisis focalizado: YOLOv8 facilita el recorte focalizado de objetos, lo que permite examinar o procesar en profundidad elementos individuales de una escena.
• Volumen de datos reducido: Al extraer sólo los objetos relevantes, el recorte de objetos ayuda a minimizar el tamaño de los datos, haciéndolos eficientes para su almacenamiento, transmisión o tareas computacionales posteriores.
• Precisión mejorada: la precisión de detección de objetos de YOLOv8 garantiza que los objetos recortados mantengan sus relaciones espaciales, preservando la integridad de la información visual para un análisis detallado.

Visuales

Equipaje de aeropuerto
Recorte de maletas en la cinta transportadora de un aeropuerto utilizando Ultralytics YOLOv8

import os

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolov8n.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))

crop_dir_name = "ultralytics_crop"
if not os.path.exists(crop_dir_name):
    os.mkdir(crop_dir_name)

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

idx = 0
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):
            idx += 1
            annotator.box_label(box, color=colors(int(cls), True), label=names[int(cls)])

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

            cv2.imwrite(os.path.join(crop_dir_name, str(idx) + ".png"), crop_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 recorte de objetos en Ultralytics YOLOv8 y cómo funciona?

El recorte de objetos mediante Ultralytics YOLOv8 consiste en aislar y extraer objetos concretos de una imagen o vídeo basándose en las capacidades de detección de YOLOv8. Este proceso permite centrar el análisis, reducir el volumen de datos y mejorar la precisión aprovechando YOLOv8 para identificar objetos con gran precisión y recortarlos en consecuencia. Para ver un tutorial detallado, consulta el ejemplo de recorte de objetos.

¿Por qué debería utilizar Ultralytics YOLOv8 para el recorte de objetos en lugar de otras soluciones?

Ultralytics YOLOv8 destaca por su precisión, velocidad y facilidad de uso. Permite la detección y el recorte detallados y precisos de objetos, esenciales para los análisis focalizados y las aplicaciones que necesitan una gran integridad de los datos. Además, YOLOv8 se integra perfectamente con herramientas como OpenVINO y TensorRT para implantaciones que requieren capacidades en tiempo real y optimización en hardware diverso. Explora las ventajas en la guía sobre exportación de modelos.

¿Cómo puedo reducir el volumen de datos de mi conjunto de datos utilizando el recorte de objetos?

Utilizando Ultralytics YOLOv8 para recortar sólo los objetos relevantes de tus imágenes o vídeos, puedes reducir significativamente el tamaño de los datos, haciéndolos más eficientes para su almacenamiento y procesamiento. Este proceso implica entrenar el modelo para detectar objetos específicos y luego utilizar los resultados para recortar y guardar sólo estas partes. Para más información sobre cómo explotar las capacidades de Ultralytics YOLOv8 , visita nuestra guía de inicio rápido.

¿Puedo utilizar Ultralytics YOLOv8 para el análisis de vídeo en tiempo real y el recorte de objetos?

Sí, Ultralytics YOLOv8 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 vigilancia, el análisis deportivo y los sistemas de inspección automatizados. Echa un vistazo a los modos de seguimiento y predicción para saber cómo implementar el procesamiento en tiempo real.

¿Cuáles son los requisitos de hardware para ejecutar eficazmente YOLOv8 para el recorte de objetos?

Ultralytics YOLOv8 está optimizado tanto para entornos CPU como GPU , pero para conseguir un rendimiento óptimo, especialmente para la inferencia en tiempo real o de gran volumen, se recomienda un GPU dedicado (por ejemplo, NVIDIA Tesla, serie RTX). Para el despliegue en dispositivos ligeros, considera el uso de CoreML para iOS o TFLite para Android. Puedes encontrar más detalles sobre los dispositivos y formatos compatibles en nuestras opciones de despliegue de modelos.

Comentarios