Ritaglio di oggetti tramite Ultralytics YOLO11
Cos'è il ritaglio di oggetti?
Il ritaglio di oggetti con Ultralytics YOLO11 implica l'isolamento e l'estrazione di specifici oggetti rilevati da un'immagine o un video. Le capacità del modello YOLO11 vengono utilizzate per identificare e delineare accuratamente gli oggetti, consentendo un ritaglio preciso per ulteriori analisi o manipolazioni.
Guarda: Ritaglio di oggetti tramite Ultralytics YOLO
Vantaggi del Ritaglio degli Oggetti
- Analisi mirata: YOLO11 facilita il ritaglio mirato degli oggetti, consentendo un esame o un'elaborazione approfondita di singoli elementi all'interno di una scena.
- Volume di dati ridotto: Estraendo solo gli oggetti rilevanti, il ritaglio degli oggetti aiuta a ridurre al minimo le dimensioni dei dati, rendendolo efficiente per l'archiviazione, la trasmissione o le successive attività computazionali.
- Precisione migliorata: L'accuratezza del rilevamento degli oggetti di YOLO11 assicura che gli oggetti ritagliati mantengano le loro relazioni spaziali, preservando l'integrità delle informazioni visive per un'analisi dettagliata.
Elementi visivi
| Bagagli aeroportuali |
|---|
 |
| Ritaglio di valigie sul nastro trasportatore dell'aeroporto tramite Ultralytics YOLO11 |
Ritaglio di oggetti tramite Ultralytics YOLO
# Crop the objects
yolo solutions crop show=True
# Pass a source video
yolo solutions crop source="path/to/video.mp4"
# Crop specific classes
yolo solutions crop classes="[0, 2]"
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
# Initialize object cropper object
cropper = solutions.ObjectCropper(
show=True, # display the output
model="yolo11n.pt", # model for object cropping i.e yolo11x.pt.
classes=[0, 2], # crop specific classes i.e. person and car with COCO pretrained model.
# conf=0.5, # adjust confidence threshold for the objects.
# crop_dir="cropped-detections", # set the directory name for cropped detections
)
# Process video
while cap.isOpened():
success, im0 = cap.read()
if not success:
print("Video frame is empty or processing is complete.")
break
results = cropper(im0)
# print(results) # access the output
cap.release()
cv2.destroyAllWindows() # destroy all opened windows
ObjectCropper Argomenti
Ecco una tabella con i ObjectCropper argomenti:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
model |
str |
None |
Percorso del file del modello Ultralytics YOLO. |
crop_dir |
str |
'cropped-detections' |
Nome della directory per la memorizzazione dei rilevamenti ritagliati. |
Inoltre, sono disponibili 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 lo spessore della linea dei riquadri di delimitazione. Se None, lo spessore della linea viene regolato automaticamente in base alle dimensioni dell'immagine, fornendo una personalizzazione visiva per una maggiore chiarezza. |
FAQ
Cos'è il ritaglio di oggetti in Ultralytics YOLO11 e come funziona?
Il ritaglio di oggetti tramite Ultralytics YOLO11 implica l'isolamento e l'estrazione di oggetti specifici da un'immagine o un video in base alle capacità di rilevamento di YOLO11. Questo processo consente un'analisi mirata, un volume di dati ridotto e una precisione migliorata sfruttando YOLO11 per identificare gli oggetti con elevata accuratezza e ritagliarli di conseguenza. Per un tutorial approfondito, consultare l'esempio di ritaglio di oggetti.
Perché dovrei usare Ultralytics YOLO11 per il ritaglio di oggetti rispetto ad altre soluzioni?
Ultralytics YOLO11 si distingue per la sua precisione, velocità e facilità d'uso. Consente il rilevamento e il ritaglio di oggetti dettagliati e accurati, essenziali per l'analisi mirata e le applicazioni che necessitano di un'elevata integrità dei dati. Inoltre, YOLO11 si integra perfettamente con strumenti come OpenVINO e TensorRT per i deployment che richiedono funzionalità in tempo reale e ottimizzazione su diversi hardware. Esplora i vantaggi nella guida all'esportazione del modello.
Come posso ridurre il volume di dati del mio set di dati utilizzando il ritaglio di 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 sullo sfruttamento delle capacità di Ultralytics YOLO11, visitare la nostra guida rapida.
Posso usare Ultralytics YOLO11 per l'analisi video in tempo reale e il ritaglio di oggetti?
Sì, Ultralytics YOLO11 può 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 sorveglianza, analisi sportive e sistemi di ispezione automatizzati. Consulta le modalità di tracciamento e previsione per capire come implementare l'elaborazione in tempo reale.
Quali sono i requisiti hardware per eseguire in modo efficiente YOLO11 per il ritaglio di oggetti?
Ultralytics YOLO11 è ottimizzato sia per ambienti CPU che GPU, ma per ottenere prestazioni ottimali, soprattutto per l'inferenza in tempo reale o ad alto volume, si consiglia una GPU dedicata (ad esempio, NVIDIA Tesla, serie RTX). Per la distribuzione su dispositivi leggeri, valuta l'utilizzo di CoreML per iOS o TFLite per Android. Ulteriori dettagli sui dispositivi e formati supportati sono disponibili nelle nostre opzioni di distribuzione del modello.
