Recadrage d'objets à l'aide de Ultralytics YOLO11
Qu'est-ce que le recadrage d'objets ?
Le recadrage d'objets avec Ultralytics YOLO11 consiste à isoler et à extraire d'une image ou d'une vidéo des objets spécifiques détectés. Les capacités du modèle YOLO11 sont utilisées pour identifier et délimiter avec précision les objets, ce qui permet un recadrage précis en vue d'une analyse ou d'une manipulation plus poussée.
Regarder : Recadrage d'objets à l'aide de Ultralytics YOLO
Avantages du recadrage d'objets
- Analyse ciblée: YOLO11 facilite le recadrage d'objets ciblés, ce qui permet d'examiner ou de traiter en profondeur des éléments individuels dans une scène.
- Volume de données réduit: En n'extrayant que les objets pertinents, le recadrage des objets permet de minimiser la taille des données, ce qui les rend efficaces pour le stockage, la transmission ou les tâches de calcul ultérieures.
- Précision accrue: la précision de détection des objets de YOLO11 garantit que les objets recadrés conservent leurs relations spatiales, préservant ainsi l'intégrité des informations visuelles pour une analyse détaillée.
Visuels
| Bagages d'aéroport |
|---|
 |
| Valises en train de crocheter sur le tapis roulant d'un aéroport, à l'aide de Ultralytics YOLO11 |
Recadrage d'objets à l'aide de Ultralytics YOLO
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
# Initialize object cropper object
cropper = solutions.ObjectCropper(
show=True, # display the output
model="yolo11n.pt", # model for object cropping i.e yolo11x.pt.
classes=[0, 2], # crop specific classes i.e. person and car with COCO pretrained model.
# conf=0.5, # adjust confidence threshold for the objects.
# crop_dir="cropped-detections", # set the directory name for cropped detections
)
# Process video
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or processing is complete.")
break
results = cropper(im0)
# print(results) # access the output
cap.release()
cv2.destroyAllWindows() # destroy all opened windows
ObjectCropper Arguments
Voici un tableau avec les ObjectCropper arguments :
| Argument | Type | Défaut | Description |
|---|---|---|---|
model |
str |
None |
Chemin d'accès au fichier modèleYOLO d'Ultralytics . |
crop_dir |
str |
"cropped-detections" |
Nom du répertoire où sont stockées les détections recadrées. |
En outre, les arguments de visualisation suivants peuvent être utilisés :
| Argument | Type | Défaut | Description |
|---|---|---|---|
show |
bool |
False |
Si Trueaffiche les images ou vidéos annotées dans une fenêtre. Utile pour un retour d'information visuel immédiat pendant le développement ou les tests. |
line_width |
None or int |
None |
Spécifie la largeur de ligne des boîtes de délimitation. Si les NoneLa largeur de la ligne est automatiquement ajustée en fonction de la taille de l'image. Permet une personnalisation visuelle pour plus de clarté. |
FAQ
Qu'est-ce que le recadrage d'objets dans Ultralytics YOLO11 et comment cela fonctionne-t-il ?
Le recadrage d'objets à l'aide de Ultralytics YOLO11 consiste à isoler et à extraire des objets spécifiques d'une image ou d'une vidéo en s'appuyant sur les capacités de détection de YOLO11. Ce processus permet de cibler l'analyse, de réduire le volume de données et d'améliorer la précision en exploitant YOLO11 pour identifier les objets avec une grande précision et les recadrer en conséquence. Pour un tutoriel approfondi, reportez-vous à l'exemple de recadrage d'objet.
Pourquoi devrais-je utiliser Ultralytics YOLO11 pour le recadrage d'objets plutôt que d'autres solutions ?
Ultralytics YOLO11 se distingue par sa précision, sa vitesse et sa facilité d'utilisation. Il permet une détection et un recadrage détaillés et précis des objets, ce qui est essentiel pour les analyses ciblées et les applications nécessitant une grande intégrité des données. De plus, YOLO11 s'intègre parfaitement à des outils tels que OpenVINO et TensorRT pour les déploiements nécessitant des capacités en temps réel et une optimisation sur divers matériels. Découvrez les avantages de cette solution dans le guide sur l'exportation de modèles.
Comment puis-je réduire le volume de données de mon jeu de données en utilisant le recadrage d'objets ?
En utilisant Ultralytics YOLO11 pour ne recadrer que les objets pertinents de vos images ou vidéos, vous pouvez réduire considérablement la taille des données, ce qui les rend plus efficaces pour le stockage et le traitement. Ce processus implique l'entraînement du modèle à la détection d'objets spécifiques, puis l'utilisation des résultats pour recadrer et enregistrer uniquement ces parties. Pour plus d'informations sur l'exploitation des capacités de Ultralytics YOLO11 , consultez notre guide de démarrage rapide.
Puis-je utiliser Ultralytics YOLO11 pour l'analyse vidéo en temps réel et le recadrage d'objets ?
Oui, Ultralytics YOLO11 peut traiter des flux vidéo en temps réel pour détecter et recadrer des objets de manière dynamique. Les capacités d'inférence à grande vitesse du modèle le rendent idéal pour les applications en temps réel telles que la surveillance, l'analyse sportive et les systèmes d'inspection automatisés. Consultez les modes de suivi et de prédiction pour comprendre comment mettre en œuvre le traitement en temps réel.
Quelle est la configuration matérielle requise pour faire fonctionner efficacement YOLO11 pour le recadrage d'objets ?
Ultralytics YOLO11 est optimisé pour les environnements CPU et GPU , mais pour obtenir des performances optimales, en particulier pour l'inférence en temps réel ou en grand volume, un GPU dédié (par exemple, NVIDIA Tesla, série RTX) est recommandé. Pour un déploiement sur des appareils légers, envisagez d'utiliser CoreML pour iOS ou TFLite pour Android. Vous trouverez plus de détails sur les appareils et les formats pris en charge dans nos options de déploiement de modèles.
