Ritaglio di oggetti con Ultralytics YOLO11

Che cos'è il ritaglio di oggetti?

Il ritaglio degli oggetti con Ultralytics YOLO11 prevede l'isolamento e l'estrazione di oggetti specifici rilevati da un'immagine o da un video. Le funzionalità del modello YOLO11 vengono utilizzate per identificare e delineare con precisione gli oggetti, consentendo un ritaglio preciso per ulteriori analisi o manipolazioni.

Guarda: Ritaglio di oggetti con Ultralytics YOLO

Vantaggi del ritaglio degli oggetti?

• Analisi mirata: YOLO11 facilita il ritaglio mirato degli oggetti, consentendo l'esame o l'elaborazione approfondita di singoli elementi all'interno di una scena.
• Riduzione del volume dei dati: Estraendo solo gli oggetti rilevanti, il ritaglio degli oggetti aiuta a ridurre al minimo le dimensioni dei dati, rendendoli efficienti per l'archiviazione, la trasmissione o le successive attività di calcolo.
• Maggiore precisione: l'accuratezza del rilevamento degli oggetti di YOLO11 garantisce che gli oggetti ritagliati mantengano le loro relazioni spaziali, preservando l'integrità delle informazioni visive per un'analisi dettagliata.

Immagini

Bagagli per l'aeroporto
Ritaglio di valigie al nastro trasportatore dell'aeroporto con l'uso di Ultralytics YOLO11

import os

import cv2

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

model = YOLO("yolo11n.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()

Argomenti model.predict

FAQ

Cos'è il ritaglio degli oggetti in Ultralytics YOLO11 e come funziona?

Il ritaglio di oggetti utilizzando Ultralytics YOLO11 consiste nell'isolare ed estrarre oggetti specifici da un'immagine o da un video in base alle capacità di rilevamento di YOLO11. Questo processo consente un'analisi mirata, una riduzione del volume di dati e una maggiore precisione, sfruttando YOLO11 per identificare gli oggetti con elevata precisione e ritagliarli di conseguenza. Per un'esercitazione approfondita, consultare l'esempio di ritaglio degli oggetti.

Perché utilizzare Ultralytics YOLO11 per il ritaglio degli oggetti rispetto ad altre soluzioni?

Ultralytics YOLO11 si distingue per precisione, velocità e facilità d'uso. Consente il rilevamento e il ritaglio dettagliato e accurato degli oggetti, essenziale per analisi mirate e applicazioni che richiedono un'elevata integrità dei dati. Inoltre, YOLO11 si integra perfettamente con strumenti come OpenVINO e TensorRT per le implementazioni che richiedono funzionalità in tempo reale e ottimizzazione su hardware diversi. Esplorate i vantaggi nella guida sull'esportazione dei modelli.

Come posso ridurre il volume dei dati del mio set di dati utilizzando il ritaglio degli oggetti?

Utilizzando Ultralytics YOLO11 per ritagliare solo gli oggetti rilevanti dalle immagini o dai video, è possibile ridurre significativamente le dimensioni dei dati, rendendoli più efficienti per l'archiviazione e l'elaborazione. Questo processo prevede l'addestramento del modello per rilevare oggetti specifici e quindi l'utilizzo dei risultati per ritagliare e salvare solo queste porzioni. Per ulteriori informazioni su come sfruttare le capacità di Ultralytics YOLO11 , visitate la nostra guida rapida.

È possibile utilizzare Ultralytics YOLO11 per l'analisi video in tempo reale e il ritaglio di oggetti?

Sì, Ultralytics YOLO11 è in grado di elaborare feed video in tempo reale per rilevare e ritagliare oggetti in modo dinamico. Le capacità di inferenza ad alta velocità del modello lo rendono ideale per applicazioni in tempo reale come la sorveglianza, l'analisi sportiva e i sistemi di ispezione automatizzati. Per capire come implementare l'elaborazione in tempo reale, è possibile consultare le modalità di tracciamento e di previsione.

Quali sono i requisiti hardware per eseguire in modo efficiente YOLO11 per il ritaglio degli oggetti?

Ultralytics YOLO11 è ottimizzato per entrambi gli ambienti CPU e GPU , ma per ottenere prestazioni ottimali, soprattutto per l'inferenza in tempo reale o per volumi elevati, si consiglia di utilizzare un GPU dedicato (ad esempio, NVIDIA Tesla, serie RTX). Per la distribuzione su dispositivi leggeri, si consiglia di utilizzare CoreML per iOS o TFLite per Android. Maggiori dettagli sui dispositivi e sui formati supportati sono disponibili nelle opzioni di distribuzione dei modelli.

📅C reato 10 mesi fa ✏️ Aggiornato 1 mese fa

Commenti