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 certains objets détectés dans une image ou une vidéo. Cela peut être réalisé grâce aux capacités du modèle YOLO26 à identifier et à manipuler les objets dans une scène donnée.
Watch: How to Train Face Detection Model using Ultralytics Platform & Blur Faces | Ultralytics YOLO26 🚀
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 permettant d’identifier personnellement des personnes dans les images ou les vidéos.
- Mise au point sélective : YOLO26 permet d’appliquer un flou sélectif afin de cibler certains objets et de trouver un équilibre entre la protection de la vie privée et la conservation des informations visuelles pertinentes.
- Traitement en temps réel : l’efficacité de YOLO26 permet de flouter les objets en temps réel, ce qui le rend adapté aux applications nécessitant des améliorations instantanées de la confidentialité dans des environnements dynamiques.
- Conformité réglementaire : aide les organisations à se conformer aux réglementations relatives à la protection des données, telles que le GDPR, en anonymisant les informations permettant d’identifier des personnes dans les contenus visuels.
- Modération des contenus : utile pour flouter les contenus inappropriés ou sensibles sur les plateformes multimédias tout en préservant le contexte général.
Flouter des objets avec YOLO26#
Transmets ta vidéo à la solution ObjectBlurrer : elle détecte les objets à chaque image et applique un flou par moyenne (boîte) à chaque détection. Contrôle l’intensité avec blur_ratio (0.1–1.0) et limite le floutage à des classes spécifiques — par exemple, uniquement les personnes et les 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 présentant les 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 0.1 - 1.0. |
line_width | int | 2 | Épaisseur des lignes des boîtes, des points clés et des comptages dessinés par la solution. |
verbose | bool | True | Active le journal par image de la solution, qui indique la forme d'entrée, les comptages par classe et la vitesse de traitement. L'appel de suivi lui-même est toujours silencieux. |
La solution ObjectBlurrer prend également en charge toute une série d’arguments track :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
tracker | str | 'botsort.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 union (IoU) pour filtrer les détections qui se chevauchent. |
classes | list | None | Filtre les résultats par 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 de l'image d'inférence cible : un entier pour un carré ou une paire (height, width). Les formes sont ajustées au pas du modèle. |
max_det | int | 300 | Nombre maximal de détections conservées par image avant le suivi, ce qui limite les objets traités par une solution dans les scènes denses. |
quantize | int or str | None | Précision de l'inférence : 16 (FP16) ou 32/non définie (FP32) pour les modèles PyTorch et TorchScript ; les autres formats s'exécutent à la précision sélectionnée par leur artefact et leur environnement d'exécution. Remplace l'indicateur déprécié half. |
De plus, les arguments de visualisation suivants peuvent être utilisés :
| 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 un aperçu du degré de certitude du modèle pour chaque détection. |
show_labels | bool | True | Affiche les étiquettes de chaque détection dans la sortie visuelle. Permet d’identifier immédiatement les objets détectés. |
Applications concrètes#
Protection de la vie privée dans la vidéosurveillance#
Les caméras de sécurité et les systèmes de vidéosurveillance peuvent utiliser YOLO26 pour flouter automatiquement les visages, les plaques d’immatriculation ou d’autres informations permettant d’identifier des personnes, tout en continuant à enregistrer les activités importantes. Cela contribue à maintenir la sécurité tout en respectant les droits à la vie privée dans les espaces publics.
Anonymisation des données de santé#
Dans l’imagerie médicale, les informations sur les patients apparaissent souvent sur les scanners ou les photos. YOLO26 peut détecter et flouter ces informations afin de respecter des réglementations telles que HIPAA lors du partage de données médicales à des fins de recherche ou d’enseignement.
Caviardage de documents#
Lors du partage de documents contenant des informations sensibles, YOLO26 peut détecter et flouter automatiquement certains éléments comme les signatures, les numéros de compte ou les données personnelles, ce qui simplifie le processus de caviardage tout en préservant l’intégrité du document.
Médias et création de contenu#
Les créateurs de contenu peuvent utiliser YOLO26 pour flouter les logos de marques, les éléments protégés par le droit d’auteur ou les contenus inappropriés dans les vidéos et les images, contribuant ainsi à éviter les problèmes juridiques tout en préservant la qualité globale du contenu.
FAQ#
Le floutage d’objets avec Ultralytics YOLO26 consiste à détecter automatiquement certains objets 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 conservant les données visuelles pertinentes. Les capacités de traitement en temps réel de YOLO26 le rendent adapté aux applications nécessitant une protection immédiate de la vie privée et des ajustements sélectifs de la mise au point.
Ultralytics YOLO26 offre plusieurs avantages pour le floutage d’objets :
- Protection de la vie privée : masque efficacement les informations sensibles ou permettant d’identifier des personnes.
- Mise au point sélective : cible certains objets à flouter tout en conservant les éléments visuels essentiels.
- Traitement en temps réel : exécute efficacement le floutage d’objets dans des environnements dynamiques, ce qui convient aux améliorations instantanées de la confidentialité.
- Intensité personnalisable : ajuste le taux de flou pour trouver un équilibre entre les besoins de confidentialité et le contexte visuel.
- Floutage par classe : floute sélectivement uniquement certains types 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, Ultralytics YOLO26 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 préentraîné spécifiquement pour reconnaître les visages, les résultats de détection peuvent être traités 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 est généralement plus performant que des modèles comme Faster R-CNN en matière 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 YOLO26 est optimisée pour une inférence rapide, ce qui est essentiel pour des tâches comme le floutage d’objets en temps réel. Découvre plus d’informations sur les différences techniques et les mesures de performance dans notre documentation YOLO26.
Utilise l’exemple Python ci-dessus, qui exécute la détection d’objets avec YOLO26 et floute chaque détection à chaque image. Définis
blur_ratio(par exemple0.5pour une intensité de flou de 50 %) afin de contrôler l’effet, puis transmetsclassespour flouter uniquement certains types d’objets.