Recadrage d'objets à l'aide de Ultralytics YOLOv8

Qu'est-ce que le recadrage d'objets ?

Le recadrage d'objets avec Ultralytics YOLOv8 consiste à isoler et à extraire d'une image ou d'une vidéo des objets spécifiques détectés. Les capacités du modèle YOLOv8 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.

Regarde : Recadrage d'objets à l'aide de Ultralytics YOLOv8

Avantages du recadrage d'objets ?

• Analyse ciblée: YOLOv8 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 YOLOv8'assure que les objets recadrés conservent leurs relations spatiales, préservant ainsi l'intégrité des informations visuelles pour une analyse détaillée.

Visuels

Bagages d'aéroport
Valises Cropping at airport conveyor belt using Ultralytics YOLOv8

import os

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolov8n.pt")
names = model.names

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

crop_dir_name = "ultralytics_crop"
if not os.path.exists(crop_dir_name):
    os.mkdir(crop_dir_name)

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

idx = 0
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = model.predict(im0, show=False)
    boxes = results[0].boxes.xyxy.cpu().tolist()
    clss = results[0].boxes.cls.cpu().tolist()
    annotator = Annotator(im0, line_width=2, example=names)

    if boxes is not None:
        for box, cls in zip(boxes, clss):
            idx += 1
            annotator.box_label(box, color=colors(int(cls), True), label=names[int(cls)])

            crop_obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]

            cv2.imwrite(os.path.join(crop_dir_name, str(idx) + ".png"), crop_obj)

    cv2.imshow("ultralytics", im0)
    video_writer.write(im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

Arguments model.predict

FAQ

Qu'est-ce que le recadrage d'objets dans Ultralytics YOLOv8 et comment cela fonctionne-t-il ?

Le recadrage d'objets à l'aide de Ultralytics YOLOv8 consiste à isoler et à extraire des objets spécifiques d'une image ou d'une vidéo en se basant sur les capacités de détection de YOLOv8. Ce processus permet de cibler l'analyse, de réduire le volume de données et d'améliorer la précision en tirant parti de YOLOv8 pour identifier les objets avec une grande précision et les recadrer en conséquence. Pour un tutoriel approfondi, reporte-toi à l'exemple de recadrage d'objet.

Pourquoi devrais-je utiliser Ultralytics YOLOv8 pour le recadrage d'objets plutôt que d'autres solutions ?

Ultralytics YOLOv8 se distingue par sa précision, sa rapidité 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, YOLOv8 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. Explore les avantages dans le guide sur l'exportation de modèles.

Comment puis-je réduire le volume de données de mon jeu de données à l'aide du recadrage d'objets ?

En utilisant Ultralytics YOLOv8 pour ne recadrer que les objets pertinents de tes images ou vidéos, tu peux réduire considérablement la taille des données, ce qui les rend plus efficaces pour le stockage et le traitement. Ce processus consiste à entraîner le modèle à détecter des objets spécifiques, puis à utiliser les résultats pour recadrer et enregistrer uniquement ces parties. Pour plus d'informations sur l'exploitation des capacités de Ultralytics YOLOv8 , visite notre guide de démarrage rapide.

Puis-je utiliser Ultralytics YOLOv8 pour l'analyse vidéo en temps réel et le recadrage d'objets ?

Oui, Ultralytics YOLOv8 peut traiter des flux vidéo en temps réel pour détecter et recadrer des objets de façon 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. Découvre 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 YOLOv8 pour le recadrage d'objets ?

Ultralytics YOLOv8 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, il est recommandé d'utiliser un GPU dédié (par exemple, NVIDIA Tesla, série RTX). Pour un déploiement sur des appareils légers, pense à utiliser CoreML pour iOS ou TFLite pour Android. Tu trouveras plus de détails sur les appareils et les formats pris en charge dans nos options de déploiement de modèles.

Commentaires