Commencer

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 à extraire des objets détectés dans une image ou une vidéo. YOLO26 localise chaque objet avec une boîte englobante, puis l’outil de recadrage enregistre cette zone sous forme d’image distincte pour une analyse ou un traitement ultérieur.



Regarder : Recadrage d’objets avec Ultralytics YOLO

Avantages du recadrage d’objets#

  • Analyse ciblée : YOLO26 permet de recadrer des objets de manière ciblée afin d’examiner ou de traiter en détail les éléments individuels d’une scène.
  • Réduction du volume de données : en n’extrayant que les objets pertinents, le recadrage réduit la taille des données et rend leur stockage, leur transmission et les calculs ultérieurs plus efficaces.
  • Précision accrue : la précision de la détection d’objets de YOLO26 produit des recadrages serrés qui préservent les détails visuels nécessaires à l’analyse ultérieure.

Visuels#

Bagages à l’aéroport
Recadrage de valises sur un tapis à bagages d’aéroport avec Ultralytics YOLO26
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.

Recadrage d’objets avec Ultralytics YOLO
# 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 :

ArgumentTypeValeur par défautDescription
modelstrNoneChemin vers un fichier de modèle Ultralytics YOLO.
crop_dirstr'cropped-detections'Nom du répertoire où stocker les détections recadrées.
verboseboolTrueActive 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 :

ArgumentTypeValeur par défautDescription
trackerstr'tracktrack.yaml'Indique l'algorithme de suivi à utiliser. Options intégrées : botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml.
conffloat0.25Définit le seuil de confiance des détections ; des valeurs plus faibles permettent de suivre davantage d'objets, mais peuvent inclure des faux positifs.
ioufloat0.5Définit le seuil d'intersection sur l'union (IoU) utilisé pour filtrer les détections qui se chevauchent.
classeslistNoneFiltre les résultats selon l'indice de classe. Par exemple, classes=[0, 2, 3] ne suit que les classes spécifiées.
devicestrNoneIndique 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.
imgszint or tuple640Taille 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_detint300Nombre maximal de détections conservées par image avant le suivi, ce qui limite le nombre d'objets qu'une solution traite dans les scènes denses.
quantizeint or strNonePrécision 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 réaliser une analyse ciblée et de réduire le volume de données, en utilisant YOLO26 pour identifier précisément les objets et les recadrer en conséquence.

  • Ultralytics YOLO26 associe une détection précise, une inférence rapide et une API simple, ce qui permet de recadrer des objets en quelques lignes de code et favorise l’analyse ciblée. YOLO26 peut également être exporté vers des formats tels que OpenVINO et TensorRT pour un déploiement en temps réel sur divers matériels.

  • En utilisant Ultralytics YOLO26 pour ne recadrer que les objets pertinents dans tes images ou vidéos, tu peux réduire considérablement le volume des données et ainsi faciliter leur stockage et leur traitement. Utilise un modèle préentraîné ou entraîne un modèle à détecter les objets dont tu as besoin, puis recadre et enregistre uniquement les zones concernées.

  • Oui, Ultralytics YOLO26 peut traiter des flux vidéo en temps réel pour détecter et recadrer des objets de manière dynamique. Sa vitesse d’inférence convient aux applications en temps réel telles que la vidéosurveillance, l’analyse sportive et les systèmes d’inspection automatisés.

  • Ultralytics YOLO26 est optimisé pour les environnements CPU et GPU, mais l’utilisation d’un GPU dédié (par exemple, un NVIDIA RTX ou un GPU de centre de données) est recommandée pour obtenir des performances optimales, surtout pour l’inférence en temps réel ou à grand volume. Pour le déploiement sur des appareils légers, envisage CoreML pour iOS ou LiteRT pour Android.

Commentaires15

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

  1. NOSPAA21GitHub

    Can i use it so as to train a model especially for printed circuit board defect detection to find defects in certain regions of a pcb?Would this be helpful?

    1. RizwanMunawarGitHub

      @NOSPAA21 Yes, you can train the Ultralytics YOLO11 model on the circuit board defect detection dataset by following the training documentation. Once the model is trained, you can use the object-cropping solution to crop the different defects that the model detects.

    1. Glenn JocherUltralytics

      @AdityaJaiswal99 thank you for your question! If you're looking to avoid capturing the same objects multiple times within a frame, you can leverage the Non-Maximum Suppression (NMS) feature of YOLOv8. NMS helps in eliminating redundant bounding boxes by keeping only the highest confidence detections and discarding others that overlap significantly.

      Here's a brief example of how you can adjust the iou threshold to refine your detections and reduce duplicates:

      from ultralytics import YOLO
      
      # Load the model
      model = YOLO("yolov8n.pt")
      
      # Set the IoU threshold to a lower value to reduce overlapping detections
      results = model.predict("path/to/your/image_or_video", iou=0.5)
      
      # Process the results as needed
      for result in results:
          boxes = result.boxes.xyxy.cpu().tolist()
          clss = result.boxes.cls.cpu().tolist()
          # Further processing...

      In this example, setting the iou parameter to a lower value (e.g., 0.5) helps in reducing the number of overlapping boxes, thus minimizing the chances of capturing the same object multiple times.

      For a more comprehensive guide on object cropping and additional tips, please visit our Object Cropping Guide.

      If you encounter any issues or have further questions, feel free to provide a reproducible example, and ensure you are using the latest version of the packages. This will help us assist you more effectively. 😊

      Happy coding!

    1. Paula DerrengerUltralytics

      @AdityaJaiswal99 hi there!

      To change the frame height, width, and FPS of a video using OpenCV, you can set these properties directly on the cv2.VideoCapture and cv2.VideoWriter objects. Below is an example of how you can achieve this:

      import cv2
      
      # Load the video
      cap = cv2.VideoCapture("path/to/video/file.mp4")
      assert cap.isOpened(), "Error reading video file"
      
      # Set the desired frame width, height, and FPS
      frame_width = 640  # Set your desired width
      frame_height = 480  # Set your desired height
      fps = 30  # Set your desired FPS
      
      # Create a VideoWriter object to save the modified video
      video_writer = cv2.VideoWriter("modified_video.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (frame_width, frame_height))
      
      while cap.isOpened():
          success, frame = cap.read()
          if not success:
              break
      
          # Resize the frame to the desired dimensions
          resized_frame = cv2.resize(frame, (frame_width, frame_height))
      
          # Write the resized frame to the output video
          video_writer.write(resized_frame)
      
          # Display the frame (optional)
          cv2.imshow("Resized Video", resized_frame)
          if cv2.waitKey(1) & 0xFF == ord("q"):
              break
      
      # Release resources
      cap.release()
      video_writer.release()
      cv2.destroyAllWindows()

      This script reads a video, resizes each frame to the specified width and height, and writes the modified frames to a new video file with the desired FPS.

      For more detailed information on object cropping using YOLOv8, you can refer to our Object Cropping Guide.

      Feel free to reach out if you have any more questions! 😊

      1
  2. HsnKmlMtGitHub

    Hi! How can i specify classed to be cropped like for my case i just want people.

    1. Glenn JocherUltralytics(modifié)

      Hello! To crop only people from your video, filter the detections by class. In COCO-trained models 'person' is class 0, so the simplest way is the classes argument of predict:

      import os
      
      import cv2
      
      from ultralytics import YOLO
      
      model = YOLO("yolo26n.pt")
      
      cap = cv2.VideoCapture("path/to/video/file.mp4")
      assert cap.isOpened(), "Error reading video file"
      
      crop_dir_name = "ultralytics_crop"
      os.makedirs(crop_dir_name, exist_ok=True)
      
      idx = 0
      while cap.isOpened():
          success, im0 = cap.read()
          if not success:
              break
      
          results = model.predict(im0, classes=[0])  # 0 = 'person' in COCO
          boxes = results[0].boxes.xyxy.cpu().tolist()
      
          for box in boxes:
              idx += 1
              crop_obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]
              cv2.imwrite(os.path.join(crop_dir_name, f"person_{idx}.png"), crop_obj)
      
      cap.release()
      cv2.destroyAllWindows()

      This will crop and save images only for detected persons. Note that model.names is a dictionary mapping class IDs to names, so to look up an ID by name use next(k for k, v in model.names.items() if v == "person"). Adjust according to your specific classes and needs! 👍

    2. Glenn JocherUltralytics(modifié)

      Hello! We're really glad you found the materials helpful! If you ever need to crop specific classes, such as 'people', filter the detections by class ID. Here's a quick example:

      import cv2
      
      from ultralytics import YOLO
      
      model = YOLO("yolo26n.pt")  # Load your model
      person_class_id = next(k for k, v in model.names.items() if v == "person")  # model.names maps class ID -> name
      
      cap = cv2.VideoCapture("path/to/video.mp4")
      assert cap.isOpened(), "Error reading video file"
      
      while cap.isOpened():
          ret, frame = cap.read()
          if not ret:
              break
          results = model.predict(frame, classes=[person_class_id])  # only 'person' detections
          boxes = results[0].boxes.xyxy.cpu().tolist()
      
          for idx, box in enumerate(boxes):
              x1, y1, x2, y2 = map(int, box[:4])
              crop_img = frame[y1:y2, x1:x2]
              cv2.imwrite(f"cropped_person_{idx}.jpg", crop_img)

      Feel free to replace 'person' with any class you're interested in, and make sure the class name matches what's defined in your model's class names. Let us know if you need further assistance! 🚀

      1
    3. umairrkhnGitHub

      Hey Glenn, I am getting this error using your implementation:

      person_class_id = model.names.index('person') # Ensure 'person' is in the model's class names ^^^^^^^^^^^^^^^^^ AttributeError: 'dict' object has no attribute 'index'

    4. Glenn JocherUltralytics(modifié)

      Hey there!

      It looks like you're trying to use the .index() method on a dictionary, which isn't supported. model.names is a dictionary mapping class IDs to class names, not a list. Here's how to find the ID for a class name:

      model = YOLO("yolo26n.pt")
      person_class_id = next(k for k, v in model.names.items() if v == "person")

      For COCO-trained models this is simply 0. If the issue persists, could you share more of your code context? That might help diagnose the issue better. 😊

    5. Glenn JocherUltralytics(modifié)

      Hey there! It looks like you're trying to use the index() method on a dictionary, which isn't supported. model.names is a dictionary mapping class IDs to class names, so you need to look up the ID by name:

      person_class_id = next(k for k, v in model.names.items() if v == "person")

      Make sure that 'person' is indeed the name of the class you're interested in. Let me know if this helps or if you need further assistance! 😊

    6. zakirhGitHub

      To those who are facing issue on finding person class:

      person_class_id = None for class_id, class_name in model.names.items(): if class_name =='person': person_class_id = class_id break

      if person_class_id is None: print("The 'person' class was not found.") else: print(f"'person' class ID: {person_class_id}")

    7. Glenn JocherUltralytics(modifié)

      @zakirh thank you for sharing this helpful approach to finding the class ID for 'person.' For others who might encounter similar issues, note that model.names is a dictionary mapping class IDs to class names, so finding an ID by name requires searching the values. If any further clarification is needed, feel free to ask!

      1