Floutage d'objet utilisant Ultralytics YOLO11 🚀

Qu'est-ce que le flou d'objet ?

Le floutage d'objet avec Ultralytics YOLO11 implique l'application d'un effet de flou à des objets détectés spécifiques dans une image ou une vidéo. Ceci peut être réalisé en utilisant les capacités du modèle YOLO11 pour identifier et manipuler des objets dans une scène donnée.

Regarder : Floutage d'objet utilisant Ultralytics YOLO11

Avantages du floutage d'objets

• Protection de la vie privée : Le floutage d'objets est un outil efficace pour protéger la vie privée en masquant les informations sensibles ou personnellement identifiables dans les images ou les vidéos.
• Focus sélectif : YOLO11 permet un floutage sélectif, permettant aux utilisateurs de cibler des objets spécifiques, assurant un équilibre entre la confidentialité et la conservation des informations visuelles pertinentes.
• Traitement en temps réel : L'efficacité de YOLO11 permet le floutage d'objets en temps réel, ce qui le rend adapté aux applications nécessitant des améliorations de la confidentialité à la volée dans des environnements dynamiques.
• Conformité réglementaire : Aide les organisations à se conformer aux réglementations sur la protection des données telles que le RGPD en anonymisant les informations d'identification dans le contenu visuel.
• Modération de contenu : Utile pour flouter le contenu inapproprié ou sensible dans les plateformes médiatiques tout en préservant le contexte général.

# 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]"

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("object_blurring_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize object blurrer object
blurrer = solutions.ObjectBlurrer(
    show=True,  # display the output
    model="yolo11n.pt",  # model for object blurring i.e. yolo11m.pt
    # line_width=2,  # width of bounding box.
    # classes=[0, 2],  # count specific classes i.e, person and car with COCO pretrained model.
    # blur_ratio=0.5,  # adjust percentage of blur intensity, the value in range 0.1 - 1.0
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = blurrer(im0)

    # print(results")  # access the output

    video_writer.write(results.plot_im)  # write the processed frame.

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

ObjectBlurrer Arguments

Voici un tableau avec les ObjectBlurrer arguments :

L'argument ObjectBlurrer la solution prend également en charge une gamme de track arguments :

De plus, les arguments de visualisation suivants peuvent être utilisés :

Applications concrètes

Protection de la vie privée dans la surveillance

Les caméras de sécurité et les systèmes de surveillance peuvent utiliser YOLO11 pour flouter automatiquement les visages, les plaques d'immatriculation ou d'autres informations d'identification tout en capturant les activités importantes. Cela permet de maintenir la sécurité tout en respectant les droits à la vie privée dans les espaces publics.

Anonymisation des données de santé

En imagerie médicale, les informations sur les patients apparaissent souvent dans les scans ou les photos. YOLO11 peut détecter et flouter ces informations pour se conformer aux réglementations telles que HIPAA lors du partage de données médicales à des fins de recherche ou éducatives.

Rédaction de documents

Lors du partage de documents contenant des informations sensibles, YOLO11 peut automatiquement détecter et flouter des éléments spécifiques tels que les signatures, les numéros de compte ou les données personnelles, ce qui rationalise le processus de rédaction tout en préservant l'intégrité du document.

Médias et création de contenu

Les créateurs de contenu peuvent utiliser YOLO11 pour flouter les logos de marques, le matériel protégé par le droit d'auteur ou le contenu inapproprié dans les vidéos et les images, ce qui permet d'éviter les problèmes juridiques tout en préservant la qualité globale du contenu.

FAQ

Qu'est-ce que le floutage d'objet avec Ultralytics YOLO11 ?

Le floutage d'objet avec Ultralytics YOLO11 implique la détection automatique et l'application d'un effet de flou à des objets spécifiques dans des images ou des vidéos. Cette technique améliore la confidentialité en masquant les informations sensibles tout en conservant les données visuelles pertinentes. Les capacités de traitement en temps réel de YOLO11 le rendent approprié pour les applications nécessitant une protection immédiate de la vie privée et des ajustements sélectifs de la mise au point.

Comment puis-je implémenter le floutage d'objets en temps réel en utilisant YOLO11 ?

Pour implémenter le floutage d'objets en temps réel avec YOLO11, suivez l'exemple Python fourni. Cela implique l'utilisation de YOLO11 pour la détection d'objets et d'OpenCV pour appliquer l'effet de flou. Voici une version simplifiée :

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.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))

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

# Init ObjectBlurrer
blurrer = solutions.ObjectBlurrer(
    show=True,  # display the output
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object blurring using YOLO11 OBB model.
    blur_ratio=0.5,  # set blur percentage i.e 0.7 for 70% blurred detected objects
    # line_width=2,  # width of bounding box.
    # classes=[0, 2],  # count specific classes i.e, person and car with COCO pretrained model.
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or processing is complete.")
        break
    results = blurrer(im0)
    video_writer.write(results.plot_im)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Quels sont les avantages de l'utilisation d'Ultralytics YOLO11 pour le floutage d'objets ?

Ultralytics YOLO11 offre plusieurs avantages pour le floutage d'objets :

• Protection de la vie privée : Masquer efficacement les informations sensibles ou identifiables.
• Focus sélectif : Ciblez des objets spécifiques pour le floutage, tout en conservant le contenu visuel essentiel.
• Traitement en temps réel : Exécutez le floutage d'objets efficacement dans des environnements dynamiques, adapté aux améliorations instantanées de la confidentialité.
• Intensité personnalisable : Ajustez le taux de flou pour équilibrer les besoins de confidentialité avec le contexte visuel.
• Floutage spécifique à la classe : Floutez sélectivement uniquement certains types d'objets tout en laissant les autres visibles.

Pour des applications plus détaillées, consultez la section sur les avantages du floutage d'objets.

Puis-je utiliser Ultralytics YOLO11 pour flouter les visages dans une vidéo pour des raisons de confidentialité ?

Oui, Ultralytics YOLO11 peut être configuré pour détecter et flouter les visages dans les vidéos afin de protéger la vie privée. En entraînant ou en utilisant un modèle pré-entraîné pour reconnaître spécifiquement les visages, les résultats de la détection peuvent être traités avec OpenCV pour appliquer un effet de flou. Consultez notre guide sur la détection d'objets avec YOLO11 et modifiez le code pour cibler la détection des visages.

Comment YOLO11 se compare-t-il à d'autres modèles de détection d'objets comme Faster R-CNN pour le floutage d'objets ?

Ultralytics YOLO11 surpasse généralement les modèles tels que Faster R-CNN en termes de vitesse, ce qui le rend plus adapté aux applications en temps réel. Bien que les deux modèles offrent une détection précise, l'architecture de YOLO11 est optimisée pour une inférence rapide, ce qui est essentiel pour les tâches telles que le floutage d'objets en temps réel. Apprenez-en davantage sur les différences techniques et les mesures de performance dans notre documentation YOLO11.

📅 Créé il y a 1 an ✏️ Mis à jour il y a 4 mois

Commentaires