Sfocatura degli oggetti con Ultralytics YOLO26#
Che cos'è la sfocatura degli oggetti?#
La sfocatura degli oggetti con Ultralytics YOLO26 consiste nell'applicare un effetto di sfocatura a specifici oggetti rilevati in un'immagine o in un video. Puoi ottenere questo risultato sfruttando le funzionalità del modello YOLO26 per identificare e manipolare gli oggetti in una determinata scena.
Guarda: Come addestrare un modello di rilevamento dei volti con la piattaforma Ultralytics e sfocare i volti | Ultralytics YOLO26 🚀
Vantaggi della sfocatura degli oggetti#
- Tutela della privacy: la sfocatura degli oggetti è uno strumento efficace per tutelare la privacy, nascondendo informazioni sensibili o di identificazione personale in immagini o video.
- Messa a fuoco selettiva: YOLO26 consente di applicare la sfocatura in modo selettivo, permettendoti di intervenire su oggetti specifici e bilanciare la tutela della privacy con la conservazione delle informazioni visive rilevanti.
- Elaborazione in tempo reale: l'efficienza di YOLO26 consente di sfocare gli oggetti in tempo reale, rendendolo adatto alle applicazioni che richiedono interventi immediati per la tutela della privacy in ambienti dinamici.
- Conformità normativa: aiuta le organizzazioni a rispettare le normative sulla protezione dei dati, come il GDPR, rendendo anonime le informazioni identificative nei contenuti visivi.
- Moderazione dei contenuti: utile per sfocare contenuti inappropriati o sensibili sulle piattaforme multimediali, preservando il contesto generale.
Sfocare gli oggetti con YOLO26#
Passa il tuo video alla soluzione ObjectBlurrer: rileva gli oggetti in ogni fotogramma e applica una sfocatura media (a riquadro) a ogni rilevamento. Regola l'intensità con blur_ratio (0.1–1.0) e limita la sfocatura a specifici classes, ad esempio solo persone e automobili.
# 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]"Argomenti di ObjectBlurrer#
Ecco una tabella con gli argomenti di ObjectBlurrer:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
model | str | None | Percorso a un file modello Ultralytics YOLO. |
blur_ratio | float | 0.5 | Regola la percentuale di intensità della sfocatura, con valori nell'intervallo 0.1 - 1.0. |
line_width | int | 2 | Spessore delle linee dei riquadri, dei punti chiave e dei conteggi disegnati dalla soluzione. |
verbose | bool | True | Abilita il log per frame della soluzione, con forma dell'input, conteggi per classe e velocità di elaborazione. La chiamata di tracking è sempre silenziosa. |
La soluzione ObjectBlurrer supporta anche diversi argomenti track:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Specifica l'algoritmo di tracciamento da usare. Opzioni integrate: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Imposta la soglia di confidenza per le rilevazioni; valori più bassi consentono di tracciare più oggetti, ma possono includere falsi positivi. |
iou | float | 0.7 | Imposta la soglia di Intersezione sull'unione (IoU) per filtrare le rilevazioni sovrapposte. |
classes | list | None | Filtra i risultati in base all'indice della classe. Ad esempio, classes=[0, 2, 3] traccia solo le classi specificate. |
device | str | None | Specifica il dispositivo per l'inferenza (ad es. cpu, cuda:0 o 0). Consente di scegliere tra CPU, una GPU specifica o altri dispositivi di calcolo per l'esecuzione del modello. |
imgsz | int or tuple | 640 | Dimensione dell'immagine di destinazione per l'inferenza: un intero per un'immagine quadrata o una coppia (height, width). Le forme vengono adattate allo stride del modello. |
max_det | int | 300 | Numero massimo di rilevazioni da mantenere per fotogramma prima del tracciamento, che limita gli oggetti elaborati da una soluzione nelle scene dense. |
quantize | int or str | None | Precisione dell’inferenza: 16 (FP16) oppure 32/unset (FP32) per i modelli PyTorch e TorchScript quando non si usa la CPU; gli altri formati usano la precisione selezionata dal rispettivo artefatto e ambiente di esecuzione. Sostituisce l’argomento deprecato half. |
Inoltre, puoi usare i seguenti argomenti di visualizzazione:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
show | bool | False | Se True, mostra le immagini o i video annotati in una finestra. Utile per ottenere un riscontro visivo immediato durante lo sviluppo o i test. |
show_conf | bool | True | Mostra il punteggio di confidenza di ogni rilevamento accanto all'etichetta. Fornisce indicazioni sul grado di certezza del modello per ciascun rilevamento. |
show_labels | bool | True | Mostra le etichette di ogni rilevamento nell'output visivo. Permette di identificare immediatamente gli oggetti rilevati. |
Applicazioni nel mondo reale#
Tutela della privacy nella videosorveglianza#
Le telecamere di sicurezza e i sistemi di sorveglianza possono usare YOLO26 per sfocare automaticamente volti, targhe o altre informazioni identificative, continuando a riprendere le attività importanti. Questo aiuta a garantire la sicurezza rispettando al contempo il diritto alla privacy negli spazi pubblici.
Anonimizzazione dei dati sanitari#
Nelle immagini mediche, le informazioni sui pazienti sono spesso visibili in scansioni o foto. YOLO26 può rilevare e sfocare queste informazioni per rispettare normative come HIPAA quando i dati medici vengono condivisi a fini di ricerca o didattici.
Oscuramento dei documenti#
Quando condividi documenti contenenti informazioni sensibili, YOLO26 può rilevare e sfocare automaticamente elementi specifici come firme, numeri di conto o dati personali, semplificando il processo di oscuramento e preservando l'integrità del documento.
Media e creazione di contenuti#
I creatori di contenuti possono usare YOLO26 per sfocare loghi di marchi, materiale protetto da copyright o contenuti inappropriati in video e immagini, contribuendo a evitare problemi legali e a preservare la qualità complessiva dei contenuti.
Domande frequenti#
La sfocatura degli oggetti con Ultralytics YOLO26 consiste nel rilevare automaticamente oggetti specifici in immagini o video e applicarvi un effetto di sfocatura. Questa tecnica aumenta la privacy nascondendo le informazioni sensibili e conservando i dati visivi rilevanti. Le capacità di elaborazione in tempo reale di YOLO26 lo rendono adatto alle applicazioni che richiedono una tutela immediata della privacy e regolazioni selettive della messa a fuoco.
Usa l'esempio Python qui sopra, che esegue il rilevamento degli oggetti con YOLO26 e sfoca ogni rilevamento in ogni fotogramma. Imposta
blur_ratio(ad esempio0.5per un'intensità di sfocatura del 50%) per controllare l'effetto e passaclassesper sfocare solo specifici tipi di oggetti.Ultralytics YOLO26 offre diversi vantaggi per la sfocatura degli oggetti:
- Tutela della privacy: nasconde efficacemente le informazioni sensibili o identificative.
- Messa a fuoco selettiva: consente di sfocare oggetti specifici, preservando i contenuti visivi essenziali.
- Elaborazione in tempo reale: esegue la sfocatura degli oggetti in modo efficiente in ambienti dinamici, risultando adatta a interventi immediati per la tutela della privacy.
- Intensità personalizzabile: regola il rapporto di sfocatura per bilanciare le esigenze di privacy con il contesto visivo.
- Sfocatura specifica per classe: seleziona solo determinati tipi di oggetti da sfocare, lasciando visibili gli altri.
Per applicazioni più dettagliate, consulta la sezione sui vantaggi della sfocatura degli oggetti.
Sì, puoi configurare Ultralytics YOLO26 per rilevare e sfocare i volti nei video, così da proteggere la privacy. Addestrando o usando un modello preaddestrato per riconoscere specificamente i volti, puoi elaborare i risultati del rilevamento con OpenCV per applicare un effetto di sfocatura. Consulta la nostra guida sul rilevamento degli oggetti con YOLO26 e modifica il codice per rilevare i volti.
Ultralytics YOLO26 supera in genere modelli come Faster R-CNN in termini di velocità, risultando più adatto alle applicazioni in tempo reale. Entrambi i modelli offrono un rilevamento accurato, ma l'architettura di YOLO26 è ottimizzata per un'inferenza rapida, fondamentale per attività come la sfocatura degli oggetti in tempo reale. Scopri di più sulle differenze tecniche e sulle metriche di prestazione nella nostra documentazione di YOLO26.