Ultralytics YOLO26によるオブジェクトの切り抜き#
オブジェクトの切り抜きとは何ですか？#
Ultralytics YOLO26によるオブジェクトの切り抜きでは、画像や動画から検出された特定のオブジェクトを分離して抽出します。YOLO26モデルの機能を活用してオブジェクトを正確に識別・輪郭抽出することで、後続の分析や操作に向けて精密に切り抜けます。
視聴: Ultralytics YOLO による物体の切り抜き
オブジェクトを切り抜くメリット#
- 対象を絞った分析: YOLO26を使うと、対象を絞ってオブジェクトを切り抜くことができ、シーン内の個々のアイテムを詳細に調査または処理できます。
- データ量の削減: 関連するオブジェクトのみを抽出することで、切り抜きによってデータサイズを最小限に抑えられ、保存、転送、後続の計算処理を効率化できます。
- 精度の向上: YOLO26の物体検出精度により、切り抜いたオブジェクトの空間的な関係が維持され、詳細な分析に必要な視覚情報の完全性を保てます。
ビジュアル#
| 空港の手荷物 |
|---|
 |
| Ultralytics YOLO26を使用した空港のベルトコンベア上のスーツケースの切り抜き |
YOLO26でオブジェクトを切り抜く#
動画を ObjectCropper ソリューションに渡すと、各フレームでオブジェクトを検出し、検出ごとに個別の画像として保存します。切り抜く対象を特定の classes に限定し、conf を大きくして信頼度の高い検出のみを保持し、crop_dir を設定して切り抜き画像の保存先を指定します。
# Crop the objects
yolo solutions crop
# Pass a source video
yolo solutions crop source="path/to/video.mp4"
# Crop specific classes
yolo solutions crop classes="[0, 2]"ObjectCropperの引数#
ObjectCropperの引数を以下の表に示します。
| 引数 | 種類 | デフォルト | 説明 |
|---|---|---|---|
model | str | None | Ultralytics YOLOモデルファイルへのパスです。 |
crop_dir | str | 'cropped-detections' | 切り抜いた検出結果を保存するディレクトリ名です。 |
verbose | bool | True | 各フレームの入力shape、クラス数、処理速度を記録するSolutionのログを有効にします。トラッキング呼び出し自体は常にログを出力しません。 |
ObjectCropper は track ではなく predict を実行するため、tracker を除く次の推論パラメーターに対応しています。
| 引数 | 種類 | デフォルト | 説明 |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | 使用するトラッキングアルゴリズムを指定します。組み込みのオプション：botsort.yaml、bytetrack.yaml、ocsort.yaml、deepocsort.yaml、fasttrack.yaml、tracktrack.yaml。 |
conf | float | 0.25 | 検出の信頼度しきい値を設定します。値を低くすると、より多くの物体を追跡できますが、誤検出が含まれる可能性があります。 |
iou | float | 0.7 | 重複する検出をフィルタリングするためのIntersection over Union（IoU）しきい値を設定します。 |
classes | list | None | クラスインデックスで結果をフィルタリングします。たとえば、classes=[0, 2, 3]を指定すると、指定したクラスのみを追跡します。 |
device | str | None | 推論に使用するデバイスを指定します（例：cpu、cuda:0、0）。モデル実行に使用するCPU、特定のGPU、その他の計算デバイスを選択できます。 |
imgsz | int or tuple | 640 | 推論時の入力画像サイズです。正方形の場合は整数、または(height, width)のペアを指定します。形状はモデルのストライドに合わせて調整されます。 |
max_det | int | 300 | トラッキング前にフレームごとに保持する検出の最大数です。混雑したシーンでソリューションが処理する物体数を制限します。 |
quantize | int or str | None | 推論精度：PyTorchおよびTorchScriptモデルでは16（FP16）または32／未設定（FP32）を使用します。他の形式では、アーティファクトとランタイムで選択された精度で計算されます。非推奨のhalfフラグに代わるものです。 |
よくある質問#
Ultralytics YOLO26によるオブジェクトの切り抜きでは、YOLO26の検出機能に基づいて画像や動画から特定のオブジェクトを分離・抽出します。この処理では、YOLO26を活用してオブジェクトを高精度に識別し、それに応じて切り抜くことで、対象を絞った分析、データ量の削減、精度の向上を実現できます。詳しいチュートリアルについては、オブジェクトの切り抜きの例をご覧ください。
Ultralytics YOLO26は、精度、速度、使いやすさに優れています。詳細かつ正確なオブジェクト検出と切り抜きが可能で、対象を絞った分析や高いデータ完全性が求められるアプリケーションに不可欠です。さらに、Ultralytics YOLO26はOpenVINOやTensorRTなどのツールとシームレスに統合できるため、多様なハードウェアでリアルタイム処理と最適化が求められるデプロイに対応します。モデルのエクスポートに関するガイドで、そのメリットをご確認ください。
Ultralytics YOLO26を使って画像や動画から関連するオブジェクトのみを切り抜くと、データサイズを大幅に削減でき、保存や処理の効率が向上します。この処理では、特定のオブジェクトを検出するようモデルをトレーニングし、その結果を使って該当部分のみを切り抜いて保存します。Ultralytics YOLO26の機能の活用について詳しくは、クイックスタートガイドをご覧ください。
Ultralytics YOLO26はCPUとGPUの両方の環境に最適化されていますが、特にリアルタイム推論や大量の推論で最適な性能を得るには、専用GPU（例: NVIDIA Tesla、RTXシリーズ）を推奨します。軽量デバイスにデプロイする場合は、iOS向けのCoreMLまたはAndroid向けのLiteRTの使用をご検討ください。対応デバイスと形式の詳細は、モデルのデプロイオプションをご覧ください。