Recorte de objetos mediante Ultralytics YOLO11

¿Qué es el recorte de objetos?

El recorte de objetos con Ultralytics YOLO11 consiste en aislar y extraer objetos específicos detectados en una imagen o un vídeo. Las capacidades del modelo YOLO11 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 YOLO

¿Ventajas del recorte de objetos?

• Análisis focalizado: YOLO11 facilita el recorte focalizado de objetos, lo que permite examinar o procesar en profundidad elementos individuales de una escena.
• Reducción del volumen de datos: 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.
• Mayor precisión: la precisión de detección de objetos de YOLO11 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 mediante Ultralytics YOLO11

import os

import cv2

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

model = YOLO("yolo11n.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 YOLO11 y cómo funciona?

El recorte de objetos mediante Ultralytics YOLO11 consiste en aislar y extraer objetos específicos de una imagen o vídeo basándose en las capacidades de detección de YOLO11. Este proceso permite centrar el análisis, reducir el volumen de datos y mejorar la precisión aprovechando YOLO11 para identificar objetos con gran precisión y recortarlos en consecuencia. Para ver un tutorial detallado, consulte el ejemplo de recorte de objetos.

¿Por qué debería utilizar Ultralytics YOLO11 para el recorte de objetos en lugar de otras soluciones?

Ultralytics YOLO11 destaca por su precisión, velocidad y facilidad de uso. Permite una detección y un recorte de objetos detallados y precisos, esenciales para análisis focalizados y aplicaciones que requieren una gran integridad de los datos. Además, YOLO11 se integra perfectamente con herramientas como OpenVINO y TensorRT para implantaciones que requieren capacidades en tiempo real y optimización en hardware diverso. Explore las ventajas en la guía sobre exportación de modelos.

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

Si utiliza Ultralytics YOLO11 para recortar sólo los objetos relevantes de sus imágenes o vídeos, podrá reducir significativamente el tamaño de los datos, haciéndolos más eficientes para su almacenamiento y procesamiento. Este proceso consiste en entrenar el modelo para que detecte objetos específicos y, a continuación, utilizar los resultados para recortar y guardar sólo estas partes. Para obtener más información sobre cómo aprovechar las posibilidades de Ultralytics YOLO11 , consulte nuestra guía de inicio rápido.

¿Puedo utilizar Ultralytics YOLO11 para el análisis de vídeo en tiempo real y el recorte de objetos?

Sí, Ultralytics YOLO11 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 predicción para saber cómo implementar el procesamiento en tiempo real.

¿Cuáles son los requisitos de hardware para ejecutar eficazmente YOLO11 para el recorte de objetos?

Ultralytics YOLO11 está optimizado tanto para entornos CPU como GPU , pero para lograr un rendimiento óptimo, especialmente para 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, considere el uso de CoreML para iOS o TFLite para Android. Encontrará más información sobre los dispositivos y formatos compatibles en nuestras opciones de despliegue de modelos.

Creado hace 11 meses ✏️ Actualizado hace 2 meses

Comentarios