Sfumatura degli oggetti con Ultralytics YOLO11 🚀

Q: What is object blurring with Ultralytics YOLO11?

La sfocatura degli oggetti con Ultralytics YOLO11 prevede il rilevamento automatico e l'applicazione di un effetto di sfocatura a oggetti specifici in immagini o video. Questa tecnica migliora la privacy nascondendo le informazioni sensibili e conservando i dati visivi rilevanti. YOLO11 Le capacità di elaborazione in tempo reale la rendono adatta ad applicazioni che richiedono una protezione immediata della privacy e la regolazione selettiva della messa a fuoco.

Che cos'è la sfocatura degli oggetti?

Sfocatura degli oggetti con Ultralytics YOLO11 consiste nell'applicare un effetto di sfocatura a specifici oggetti rilevati in un'immagine o in un video. Ciò può essere ottenuto utilizzando le funzionalità del modello YOLO11 per identificare e manipolare gli oggetti all'interno di una determinata scena.

Guarda: Sfocatura degli oggetti con Ultralytics YOLO11

Vantaggi della sfocatura degli oggetti

Protezione della privacy: La sfocatura degli oggetti è uno strumento efficace per salvaguardare la privacy, nascondendo informazioni sensibili o di identificazione personale nelle immagini o nei video.
Messa a fuoco selettiva: YOLO11 consente una sfocatura selettiva, permettendo agli utenti di mirare a oggetti specifici, garantendo un equilibrio tra privacy e conservazione delle informazioni visive rilevanti.
Elaborazione in tempo reale: YOLO11 L'efficienza del sistema consente di sfocare gli oggetti in tempo reale, rendendolo adatto alle applicazioni che richiedono miglioramenti della privacy al volo in ambienti dinamici.
Conformità normativa: Aiuta le organizzazioni a rispettare le normative sulla protezione dei dati, come il GDPR, rendendo anonime le informazioni identificabili nei contenuti visivi.
Moderazione dei contenuti: Utile per offuscare i contenuti inappropriati o sensibili nelle piattaforme multimediali, preservando il contesto generale.

Sfocatura degli oggetti con Ultralytics YOLO

CLIPython

# 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]"

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("object_blurring_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize object blurrer object
blurrer = solutions.ObjectBlurrer(
    show=True,  # display the output
    model="yolo11n.pt",  # model for object blurring i.e. yolo11m.pt
    # line_width=2,  # width of bounding box.
    # classes=[0, 2],  # count specific classes i.e, person and car with COCO pretrained model.
    # blur_ratio=0.5,  # adjust percentage of blur intensity, the value in range 0.1 - 1.0
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = blurrer(im0)

    # print(results")  # access the output

    video_writer.write(results.plot_im)  # write the processed frame.

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

`ObjectBlurrer` Argomenti

Ecco una tabella con i dati ObjectBlurrer argomenti:

Argomento	Tipo	Predefinito	Descrizione
`model`	`str`	`None`	Percorso del file del modelloYOLO Ultralytics .
`line_width`	`None or int`	`None`	Specifica la larghezza della linea delle caselle di delimitazione. Se `None`La larghezza della linea viene regolata automaticamente in base alle dimensioni dell'immagine. Fornisce una personalizzazione visiva per la chiarezza.
`blur_ratio`	`float`	`0.5`	Regola la percentuale dell'intensità della sfocatura, con valori compresi nell'intervallo `0.1 - 1.0`.

Il ObjectBlurrer La soluzione supporta anche una serie di track argomenti:

Argomento	Tipo	Predefinito	Descrizione
`tracker`	`str`	`'botsort.yaml'`	Specifica l'algoritmo di tracciamento da utilizzare, ad es, `bytetrack.yaml` o `botsort.yaml`.
`conf`	`float`	`0.3`	Imposta la soglia di confidenza per i rilevamenti; valori più bassi consentono di tracciare un maggior numero di oggetti, ma possono includere falsi positivi.
`iou`	`float`	`0.5`	Imposta la soglia Intersection over Union (IoU) per il filtraggio dei rilevamenti sovrapposti.
`classes`	`list`	`None`	Filtra i risultati per indice di classe. Ad esempio, `classes=[0, 2, 3]` tiene traccia solo delle classi specificate.
`verbose`	`bool`	`True`	Controlla la visualizzazione dei risultati del tracciamento, fornendo un output visivo degli oggetti tracciati.
`device`	`str`	`None`	Specifica il dispositivo per l'inferenza (ad es, `cpu`, `cuda:0` o `0`). Consente agli utenti di scegliere tra CPU, uno specifico GPU o altri dispositivi di calcolo per l'esecuzione del modello.

Inoltre, è possibile utilizzare i seguenti argomenti di visualizzazione:

Argomento	Tipo	Predefinito	Descrizione
`show`	`bool`	`False`	Se `True`visualizza le immagini o i video annotati in una finestra. Utile per un feedback visivo immediato durante lo sviluppo o il test.
`line_width`	`None or int`	`None`	Specifica la larghezza della linea delle caselle di delimitazione. Se `None`La larghezza della linea viene regolata automaticamente in base alle dimensioni dell'immagine. Fornisce una personalizzazione visiva per la chiarezza.

Applicazioni del mondo reale

Protezione della privacy nella sorveglianza

Le telecamere di sicurezza e i sistemi di sorveglianza possono utilizzare YOLO11 per sfocare automaticamente volti, targhe o altre informazioni identificative, pur continuando a catturare attività importanti. In questo modo si contribuisce a mantenere la sicurezza rispettando il diritto alla privacy negli spazi pubblici.

Anonimizzazione dei dati sanitari

Nelle immagini mediche, le informazioni sui pazienti appaiono spesso nelle scansioni o nelle foto. YOLO11 è in grado di rilevare e sfocare queste informazioni per conformarsi a normative come l'HIPAA quando si condividono dati medici per scopi di ricerca o didattici.

Riduzione dei documenti

Quando si condividono documenti che contengono informazioni sensibili, YOLO11 è in grado di rilevare e offuscare automaticamente elementi specifici come firme, numeri di conto o dettagli personali, semplificando il processo di eliminazione e mantenendo l'integrità del documento.

Creazione di media e contenuti

I creatori di contenuti possono utilizzare YOLO11 per sfocare i loghi dei marchi, il materiale protetto da copyright o i contenuti inappropriati nei video e nelle immagini, evitando problemi legali e preservando la qualità complessiva dei contenuti.

FAQ

Che cos'è la sfocatura degli oggetti con Ultralytics YOLO11 ?

La sfocatura degli oggetti con Ultralytics YOLO11 consiste nel rilevare e applicare automaticamente un effetto di sfocatura a oggetti specifici in immagini o video. Questa tecnica migliora la privacy nascondendo le informazioni sensibili e conservando i dati visivi rilevanti. YOLO11 Le capacità di elaborazione in tempo reale lo rendono adatto alle applicazioni che richiedono una protezione immediata della privacy e la regolazione selettiva della messa a fuoco.

Come posso implementare la sfocatura degli oggetti in tempo reale utilizzando YOLO11?

Per implementare la sfocatura degli oggetti in tempo reale con YOLO11, seguire l'esempio fornito con Python . Questo prevede l'uso di YOLO11 per il rilevamento degli oggetti e di OpenCV per l'applicazione dell'effetto di sfocatura. Ecco una versione semplificata:

import cv2

from ultralytics import solutions

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

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

# Init ObjectBlurrer
blurrer = solutions.ObjectBlurrer(
    show=True,  # display the output
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object blurring using YOLO11 OBB model.
    blur_ratio=0.5,  # set blur percentage i.e 0.7 for 70% blurred detected objects
    # line_width=2,  # width of bounding box.
    # classes=[0, 2],  # count specific classes i.e, person and car with COCO pretrained model.
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or processing is complete.")
        break
    results = blurrer(im0)
    video_writer.write(results.plot_im)

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

Quali sono i vantaggi dell'utilizzo di Ultralytics YOLO11 per la sfocatura degli oggetti?

Ultralytics YOLO11 offre diversi vantaggi per la sfocatura degli oggetti:

Protezione della privacy: Oscurare efficacemente le informazioni sensibili o identificabili.
Messa a fuoco selettiva: Mirate a oggetti specifici da sfocare, mantenendo i contenuti visivi essenziali.
Elaborazione in tempo reale: Esecuzione efficiente della sfocatura degli oggetti in ambienti dinamici, adatta per il miglioramento istantaneo della privacy.
Intensità personalizzabile: Regolate il rapporto di sfocatura per bilanciare le esigenze di privacy con il contesto visivo.
Sfocatura specifica per classe: Sfumare selettivamente solo alcuni tipi di oggetti lasciando visibili gli altri.

Per applicazioni più dettagliate, consultare la sezione Vantaggi della sfocatura degli oggetti.

Posso utilizzare Ultralytics YOLO11 per sfocare i volti in un video per motivi di privacy?

Sì, Ultralytics YOLO11 può essere configurato per rilevare e sfocare i volti nei video per proteggere la privacy. Addestrando o utilizzando un modello pre-addestrato per riconoscere specificamente i volti, i risultati del rilevamento possono essere elaborati con OpenCV per applicare un effetto di sfocatura. Fare riferimento alla nostra guida sul rilevamento degli oggetti con YOLO11 e modificare il codice per il rilevamento dei volti.

Come si colloca YOLO11 rispetto ad altri modelli di rilevamento degli oggetti, come Faster R-CNN per la sfocatura degli oggetti?

Ultralytics YOLO11 supera in genere modelli come Faster R-CNN in termini di velocità, rendendolo più adatto alle applicazioni in tempo reale. Sebbene entrambi i modelli offrano un rilevamento accurato, l'architettura di YOLO11 è ottimizzata per una rapida inferenza, fondamentale per attività come la sfocatura degli oggetti in tempo reale. Per saperne di più sulle differenze tecniche e sulle metriche delle prestazioni, consultate la documentazione di YOLO11 .

📅C reato 1 anno fa ✏️ Aggiornato 6 giorni fa