Floutage d’objets avec Ultralytics YOLO26#
Qu’est-ce que le floutage d’objets ?#
Le floutage d’objets avec Ultralytics YOLO26 consiste à appliquer un effet de flou à des objets détectés spécifiques dans une image ou une vidéo. Pour ce faire, tu peux utiliser les fonctionnalités du modèle YOLO26 afin d’identifier et de manipuler des objets dans une scène donnée.
Regarder : Comment entraîner un modèle de détection de visages avec la plateforme Ultralytics et flouter les visages | Ultralytics YOLO26 🚀
Avantages du floutage d’objets#
- Protection de la vie privée : le floutage d’objets est un moyen efficace de protéger la vie privée en masquant les informations sensibles ou permettant d’identifier une personne dans des images ou des vidéos.
- Mise au point sélective : YOLO26 permet de flouter des objets de manière sélective et de cibler des objets spécifiques, afin de concilier la protection de la vie privée et la conservation des informations visuelles pertinentes.
- Traitement en temps réel : l’efficacité de YOLO26 permet de flouter des objets en temps réel, ce qui convient aux applications nécessitant des améliorations immédiates de la protection de la vie privée dans des environnements dynamiques.
- Conformité réglementaire : aide les organisations à respecter les réglementations sur la protection des données, comme le RGPD, en anonymisant les informations permettant d’identifier une personne dans les contenus visuels.
- Modération de contenu : utile pour flouter les contenus inappropriés ou sensibles sur les plateformes multimédias, tout en préservant le contexte général.
Flouter des objets avec YOLO26#
Fournis ta vidéo à la solution ObjectBlurrer : elle détecte les objets dans chaque image et applique un flou moyen (boîte) à chaque détection. Règle l’intensité avec blur_ratio (0.1–1.0) et limite le floutage à des classes spécifiques, par exemple aux personnes et aux voitures.
# Blur the objects
yolo solutions blur show=True
# Pass a source video
yolo solutions blur source="path/to/video.mp4"
# Blur the specific classes
yolo solutions blur classes="[0, 5]"Arguments de ObjectBlurrer#
Voici un tableau des arguments de ObjectBlurrer :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
model | str | None | Chemin vers un fichier de modèle Ultralytics YOLO. |
blur_ratio | float | 0.5 | Ajuste le pourcentage d’intensité du flou, avec des valeurs comprises dans la plage 0.1 - 1.0. |
line_width | int | 2 | Épaisseur des lignes des boîtes, des points clés et des compteurs dessinés par la solution. |
verbose | bool | True | Active le journal de la solution pour chaque image, qui indique la forme de l'entrée, le nombre d'éléments par classe et la vitesse de traitement. L'appel de suivi reste toujours silencieux. |
La solution ObjectBlurrer prend également en charge divers arguments track :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Indique l'algorithme de suivi à utiliser. Options intégrées : botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Définit le seuil de confiance des détections ; des valeurs plus faibles permettent de suivre davantage d'objets, mais peuvent inclure des faux positifs. |
iou | float | 0.7 | Définit le seuil d'intersection sur l'union (IoU) utilisé pour filtrer les détections qui se chevauchent. |
classes | list | None | Filtre les résultats selon l'indice de classe. Par exemple, classes=[0, 2, 3] ne suit que les classes spécifiées. |
device | str | None | Indique le périphérique utilisé pour l'inférence (par exemple, cpu, cuda:0 ou 0). Permet de choisir entre le CPU, un GPU spécifique ou d'autres périphériques de calcul pour l'exécution du modèle. |
imgsz | int or tuple | 640 | Taille cible de l'image pour l'inférence : un entier pour une image carrée ou une paire (height, width). Les dimensions sont ajustées au stride du modèle. |
max_det | int | 300 | Nombre maximal de détections conservées par image avant le suivi, ce qui limite le nombre d'objets qu'une solution traite dans les scènes denses. |
quantize | int or str | None | Précision de l'inférence : 16 (FP16) ou 32/non défini (FP32) pour les modèles PyTorch et TorchScript ; les autres formats utilisent la précision sélectionnée par leur artefact et leur environnement d'exécution. Remplace l'option obsolète half. |
Tu peux également utiliser les arguments de visualisation suivants :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
show | bool | False | Si True, affiche les images ou vidéos annotées dans une fenêtre. Utile pour obtenir un retour visuel immédiat pendant le développement ou les tests. |
show_conf | bool | True | Affiche le score de confiance de chaque détection à côté de son étiquette. Donne une indication du degré de certitude du modèle pour chaque détection. |
show_labels | bool | True | Affiche les étiquettes de chaque détection dans le résultat visuel. Permet d'identifier immédiatement les objets détectés. |
Applications concrètes#
Protection de la vie privée dans les systèmes de surveillance#
Les caméras de sécurité et les systèmes de surveillance peuvent utiliser YOLO26 pour flouter automatiquement les visages, les plaques d’immatriculation ou d’autres informations identifiantes, tout en capturant les activités importantes. Cela contribue à assurer la sécurité tout en respectant le droit à la vie privée dans les espaces publics.
Anonymisation des données de santé#
En imagerie médicale, les informations sur les patients apparaissent souvent sur des clichés ou des photos. YOLO26 peut détecter et flouter ces informations afin de respecter des réglementations comme HIPAA lors du partage de données médicales à des fins de recherche ou de formation.
Caviardage de documents#
Lors du partage de documents contenant des informations sensibles, YOLO26 peut détecter et flouter automatiquement des éléments précis comme des signatures, des numéros de compte ou des données personnelles. Cela simplifie le caviardage tout en préservant l’intégrité des documents.
Médias et création de contenu#
Les créateurs de contenu peuvent utiliser YOLO26 pour flouter des logos de marque, des contenus protégés par le droit d’auteur ou des contenus inappropriés dans des vidéos et des images, afin d’éviter les problèmes juridiques tout en préservant la qualité globale du contenu.
FAQ#
Le floutage d’objets avec Ultralytics YOLO26 consiste à détecter automatiquement des objets spécifiques dans des images ou des vidéos et à leur appliquer un effet de flou. Cette technique renforce la protection de la vie privée en masquant les informations sensibles tout en préservant les données visuelles pertinentes. Les capacités de traitement en temps réel de YOLO26 conviennent aux applications nécessitant une protection immédiate de la vie privée et des réglages sélectifs de la mise au point.
Utilise l’exemple Python ci-dessus, qui exécute la détection d’objets avec YOLO26 et floute chaque détection dans chaque image. Définis
blur_ratio(par exemple0.5pour une intensité de flou de 50 %) afin de régler l’effet, et passeclassespour ne flouter que certains types d’objets.Ultralytics YOLO26 offre plusieurs avantages pour le floutage d’objets :
- Protection de la vie privée : masque efficacement les informations sensibles ou identifiantes.
- Mise au point sélective : cible des objets précis à flouter, tout en préservant les éléments visuels essentiels.
- Traitement en temps réel : floute efficacement des objets dans des environnements dynamiques, pour renforcer instantanément la protection de la vie privée.
- Intensité personnalisable : règle le taux de flou pour concilier les besoins de confidentialité et le contexte visuel.
- Floutage par classe : floute uniquement certaines catégories d’objets, tout en laissant les autres visibles.
Pour découvrir des applications plus détaillées, consulte la section sur les avantages du floutage d’objets.
Oui, tu peux configurer Ultralytics YOLO26 pour détecter et flouter des visages dans des vidéos afin de protéger la vie privée. En entraînant ou en utilisant un modèle préentraîné spécifiquement pour reconnaître les visages, tu peux traiter les résultats de détection avec OpenCV afin d’appliquer un effet de flou. Consulte notre guide sur la détection d’objets avec YOLO26 et modifie le code pour cibler la détection des visages.
Ultralytics YOLO26 surpasse généralement les modèles comme Faster R-CNN en matière de vitesse, ce qui le rend plus adapté aux applications en temps réel. Les deux modèles offrent une détection précise, mais l’architecture de YOLO26 est optimisée pour une inférence rapide, essentielle pour des tâches comme le floutage d’objets en temps réel. Pour en savoir plus sur les différences techniques et les indicateurs de performance, consulte notre documentation YOLO26.