Recadrage d’objets avec Ultralytics YOLO26#
Qu’est-ce que le recadrage d’objets ?#
Le recadrage d’objets avec Ultralytics YOLO26 consiste à isoler et extraire des objets détectés spécifiques dans une image ou une vidéo. Les capacités du modèle YOLO26 permettent d’identifier et de délimiter les objets avec précision, afin de les recadrer pour les analyser ou les manipuler ensuite.
Regarder : Recadrage d’objets avec Ultralytics YOLO
Avantages du recadrage d’objets#
- Analyse ciblée : YOLO26 facilite le recadrage ciblé d’objets, ce qui permet d’examiner ou de traiter en détail des éléments individuels d’une scène.
- Réduction du volume de données : en n’extrayant que les objets pertinents, le recadrage d’objets contribue à réduire la taille des données et facilite leur stockage, leur transmission ou les tâches de calcul ultérieures.
- Précision accrue : la détection d’objets et la précision de YOLO26 garantissent que les objets recadrés conservent leurs relations spatiales, préservant ainsi l’intégrité des informations visuelles pour une analyse détaillée.
Visuels#
| Bagages à l’aéroport |
|---|
 |
| Recadrage de valises sur un tapis à bagages d’aéroport avec Ultralytics YOLO26 |
Recadrer des objets avec YOLO26#
Transmets ta vidéo à la solution ObjectCropper : elle détecte les objets à chaque image et enregistre chaque détection dans une image distincte. Limite le recadrage à des classes spécifiques, augmente conf pour ne conserver que les détections suffisamment fiables, et définis crop_dir pour choisir où enregistrer les recadrages.
# Crop the objects
yolo solutions crop
# Pass a source video
yolo solutions crop source="path/to/video.mp4"
# Crop specific classes
yolo solutions crop classes="[0, 2]"Arguments de ObjectCropper#
Voici un tableau des arguments de ObjectCropper :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
model | str | None | Chemin vers un fichier de modèle Ultralytics YOLO. |
crop_dir | str | 'cropped-detections' | Nom du répertoire où stocker les détections recadrées. |
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. |
ObjectCropper exécute predict plutôt que track ; il prend donc en charge les paramètres d’inférence suivants, à l’exception de tracker :
| 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 d’inférence : 16 (FP16) ou 32/unset (FP32) pour les modèles PyTorch et TorchScript hors CPU ; les autres formats utilisent la précision définie par leur artefact et leur environnement d’exécution. Remplace l’argument half obsolète. |
FAQ#
Le recadrage d’objets avec Ultralytics YOLO26 consiste à isoler et extraire des objets spécifiques d’une image ou d’une vidéo en s’appuyant sur les capacités de détection de YOLO26. Ce processus permet de cibler l’analyse, de réduire le volume de données et d’améliorer la précision en utilisant YOLO26 pour identifier les objets avec une grande précision et les recadrer en conséquence. Pour un tutoriel détaillé, consulte l’exemple de recadrage d’objets.
Ultralytics YOLO26 se distingue par sa précision, sa rapidité et sa facilité d’utilisation. Il permet de détecter et de recadrer les objets avec précision et en détail, ce qui est essentiel pour une analyse ciblée et les applications exigeant une grande intégrité des données. De plus, YOLO26 s’intègre facilement à des outils comme OpenVINO et TensorRT pour les déploiements nécessitant un traitement en temps réel et une optimisation sur divers matériels. Découvre les avantages dans le guide sur l’exportation de modèles.
En utilisant Ultralytics YOLO26 pour recadrer uniquement les objets pertinents de tes images ou vidéos, tu peux réduire considérablement la taille des données et faciliter leur stockage et leur traitement. Il s’agit d’entraîner le modèle à détecter des objets spécifiques, puis d’utiliser les résultats pour recadrer et enregistrer uniquement les zones correspondantes. Pour en savoir plus sur les capacités d’Ultralytics YOLO26, consulte notre guide de démarrage rapide.
Oui, Ultralytics YOLO26 peut traiter des flux vidéo en temps réel pour détecter et recadrer les objets de manière dynamique. Les capacités d’inférence rapide du modèle en font une solution idéale pour les applications en temps réel comme la vidéosurveillance, l’analyse sportive et les systèmes d’inspection automatisés. Consulte les modes de suivi et de prédiction pour comprendre comment mettre en œuvre le traitement en temps réel.
Ultralytics YOLO26 est optimisé pour les environnements CPU et GPU, mais un GPU dédié (par exemple, NVIDIA Tesla ou de la série RTX) est recommandé pour obtenir des performances optimales, en particulier pour l’inférence en temps réel ou à grand volume. Pour un déploiement sur des appareils légers, envisage d’utiliser CoreML sur iOS ou LiteRT sur Android. Tu trouveras plus de détails sur les appareils et formats pris en charge dans nos options de déploiement des modèles.