Sfumatura di 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 usando le funzionalità del modello YOLO26 per identificare e manipolare gli oggetti all'interno di una determinata scena.
Watch: How to Train Face Detection Model using Ultralytics Platform & Blur Faces | Ultralytics YOLO26 🚀
Vantaggi della sfocatura degli oggetti#
- Protezione della privacy: la sfocatura degli oggetti è uno strumento efficace per tutelare la privacy, nascondendo informazioni sensibili o che consentono l'identificazione personale in immagini o video.
- Messa a fuoco selettiva: YOLO26 consente di applicare la sfocatura in modo selettivo, permettendoti di scegliere oggetti specifici e garantendo un equilibrio tra privacy e 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 miglioramenti immediati 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 identificabili nei contenuti visivi.
- Moderazione dei contenuti: è utile per sfocare contenuti inappropriati o sensibili sulle piattaforme multimediali, preservando al contempo il contesto generale.
Sfoca gli oggetti con YOLO26#
Passa il tuo video alla soluzione ObjectBlurrer: rileva gli oggetti in ogni fotogramma e applica una sfocatura uniforme (a riquadro) a ogni rilevamento. Controlla l'intensità con blur_ratio (0.1–1.0) e limita la sfocatura a specifici classes, ad esempio solo a 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 ObjectBlurrer#
Ecco una tabella con gli argomenti ObjectBlurrer:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
model | str | None | Percorso al file del 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 per i riquadri, i punti chiave e i conteggi disegnati dalla soluzione. |
verbose | bool | True | Abilita il registro per fotogramma della soluzione, con forma dell'input, conteggi delle classi e velocità di elaborazione. La chiamata di tracciamento è sempre silenziosa. |
La soluzione ObjectBlurrer supporta anche una serie di argomenti track:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Specifica l'algoritmo di tracciamento da utilizzare. 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 inferenza di destinazione: un numero intero per un'immagine quadrata o una coppia (height, width). Le forme vengono regolate in base al passo del modello. |
max_det | int | 300 | Numero massimo di rilevamenti conservati per fotogramma prima del tracciamento, limitando gli oggetti elaborati da una soluzione in scene dense. |
quantize | int or str | None | Precisione dell'inferenza: 16 (FP16) o 32/non impostato (FP32) per i modelli PyTorch e TorchScript; altri formati vengono calcolati alla precisione selezionata dal loro artefatto e runtime. Sostituisce il flag deprecato half. |
Inoltre, puoi usare i seguenti argomenti di visualizzazione:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
show | bool | False | Se True, visualizza le immagini o i video annotati in una finestra. È utile per ottenere un feedback visivo immediato durante lo sviluppo o i test. |
show_conf | bool | True | Visualizza il punteggio di confidenza per ogni rilevazione accanto all'etichetta. Fornisce informazioni sul grado di certezza del modello per ogni rilevazione. |
show_labels | bool | True | Visualizza le etichette per ogni rilevazione nell'output visivo. Consente di comprendere immediatamente gli oggetti rilevati. |
Applicazioni nel mondo reale#
Protezione della privacy nella videosorveglianza#
Le telecamere di sicurezza e i sistemi di videosorveglianza possono usare YOLO26 per sfocare automaticamente volti, targhe o altre informazioni identificative, continuando a registrare le attività importanti. Questo aiuta a mantenere la sicurezza rispettando al contempo il diritto alla privacy negli spazi pubblici.
Anonimizzazione dei dati sanitari#
Nella diagnostica per immagini, le informazioni sui pazienti compaiono spesso in scansioni o fotografie. YOLO26 può rilevare e sfocare queste informazioni per garantire la conformità a normative come l'HIPAA quando condividi dati medici per scopi di ricerca o didattici.
Redazione 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 redazione e mantenendo al contempo l'integrità del documento.
Media e creazione di contenuti#
I creator possono usare YOLO26 per sfocare loghi di marchi, materiale protetto da copyright o contenuti inappropriati nei video e nelle immagini, contribuendo a evitare problemi legali e preservando al contempo la qualità complessiva dei contenuti.
FAQ#
La sfocatura degli oggetti con Ultralytics YOLO26 consiste nel rilevare automaticamente oggetti specifici nelle immagini o nei video e applicare loro un effetto di sfocatura. Questa tecnica migliora la privacy nascondendo le informazioni sensibili e conservando al contempo i dati visivi rilevanti. Le funzionalità di elaborazione in tempo reale di YOLO26 lo rendono adatto alle applicazioni che richiedono una protezione immediata della privacy e regolazioni selettive della messa a fuoco.
Usa l'esempio Python precedente, 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 determinati tipi di oggetti.Ultralytics YOLO26 offre diversi vantaggi per la sfocatura degli oggetti:
- Protezione della privacy: nasconde efficacemente le informazioni sensibili o identificabili.
- Messa a fuoco selettiva: consente di scegliere oggetti specifici da sfocare, mantenendo i contenuti visivi essenziali.
- Elaborazione in tempo reale: esegue in modo efficiente la sfocatura degli oggetti in ambienti dinamici, risultando adatto ai miglioramenti immediati della privacy.
- Intensità personalizzabile: regola il livello di sfocatura per bilanciare le esigenze di privacy con il contesto visivo.
- Sfocatura specifica per classe: sfoca selettivamente solo determinati tipi di oggetti, 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, proteggendo la privacy. Addestrando o utilizzando 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.
In genere, Ultralytics YOLO26 supera modelli come Faster R-CNN in termini di velocità, risultando quindi più adatto alle applicazioni in tempo reale. Sebbene entrambi i modelli offrano un rilevamento accurato, 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 delle prestazioni nella nostra documentazione di YOLO26.