Ultralytics YOLO26을 사용한 객체 블러 처리#
객체 블러 처리란 무엇인가요?#
Ultralytics YOLO26을 사용한 객체 블러 처리는 이미지나 동영상에서 특정 감지 객체에 블러 효과를 적용하는 작업입니다. YOLO26 모델의 기능을 사용하여 주어진 장면의 객체를 식별하고 조작할 수 있습니다.
시청: Ultralytics Platform으로 얼굴 감지 모델을 학습하고 얼굴을 흐리게 처리하는 방법 | Ultralytics YOLO26 🚀
객체 블러 처리의 장점#
- 개인정보 보호: 객체 블러 처리는 이미지나 동영상에서 민감 정보 또는 개인 식별 정보를 가려 개인정보를 보호하는 효과적인 방법입니다.
- 선택적 초점: YOLO26을 사용하면 특정 객체만 선택적으로 블러 처리할 수 있어, 개인정보 보호와 관련 시각 정보 보존 사이의 균형을 유지할 수 있습니다.
- 실시간 처리: YOLO26의 효율성 덕분에 객체를 실시간으로 블러 처리할 수 있어, 동적인 환경에서 즉각적인 개인정보 보호 강화가 필요한 애플리케이션에 적합합니다.
- 규정 준수: 시각 콘텐츠에서 식별 가능한 정보를 익명화하여 GDPR과 같은 데이터 보호 규정을 준수하도록 지원합니다.
- 콘텐츠 관리: 전체 맥락은 유지하면서 미디어 플랫폼의 부적절하거나 민감한 콘텐츠를 블러 처리하는 데 유용합니다.
YOLO26으로 객체 블러 처리하기#
동영상을 ObjectBlurrer 솔루션에 전달하면 각 프레임에서 객체를 감지하고 모든 감지 결과에 평균화(박스) 블러를 적용합니다. blur_ratio(0.1–1.0)로 강도를 조절하고, 특정 classes만 블러 처리하도록 제한할 수 있습니다. 예를 들어 사람과 자동차만 처리할 수 있습니다.
# 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]"ObjectBlurrer 인수#
다음은 ObjectBlurrer 인수 표입니다:
| 인수 | 유형 | 기본값 | 설명 |
|---|---|---|---|
model | str | None | Ultralytics YOLO 모델 파일의 경로입니다. |
blur_ratio | float | 0.5 | 블러 강도의 비율을 조정하며, 값의 범위는 0.1 - 1.0입니다. |
line_width | int | 2 | Solution에서 그리는 상자, 키포인트 및 개수 표시의 선 두께입니다. |
verbose | bool | True | 프레임별 입력 형태, 클래스 개수 및 처리 속도 로그를 활성화합니다. 추적 호출 자체는 항상 로그를 출력하지 않습니다. |
ObjectBlurrer 솔루션은 다양한 track 인수도 지원합니다.
| 인수 | 유형 | 기본값 | 설명 |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | 사용할 추적 알고리즘을 지정합니다. 기본 제공 옵션: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | 탐지에 대한 신뢰도 임계값을 설정합니다. 값을 낮추면 추적할 수 있는 객체가 늘어나지만 오탐이 포함될 수 있습니다. |
iou | float | 0.7 | 중복 탐지를 필터링하기 위한 교집합 대비 합집합 (IoU) 임계값을 설정합니다. |
classes | list | None | 클래스 인덱스로 결과를 필터링합니다. 예를 들어 classes=[0, 2, 3]은 지정된 클래스만 추적합니다. |
device | str | None | 추론에 사용할 장치를 지정합니다(예: cpu, cuda:0 또는 0). 사용자는 모델 실행에 사용할 CPU, 특정 GPU 또는 기타 연산 장치를 선택할 수 있습니다. |
imgsz | int or tuple | 640 | 추론 대상 이미지 크기입니다. 정사각형을 나타내는 정수 또는 (height, width) 쌍을 지정합니다. 모델 stride에 맞춰 형태가 조정됩니다. |
max_det | int | 300 | 추적 전에 프레임별로 유지할 최대 탐지 수를 지정하여 밀집된 장면에서 솔루션이 처리하는 객체 수를 제한합니다. |
quantize | int or str | None | 추론 정밀도입니다. PyTorch 및 TorchScript 모델의 경우 16 (FP16) 또는 32/미설정(FP32)을 사용합니다. 다른 형식은 아티팩트와 런타임에서 선택한 정밀도로 계산합니다. 더 이상 사용되지 않는 half 플래그를 대체합니다. |
또한 다음 시각화 인수를 사용할 수 있습니다.
| 인수 | 유형 | 기본값 | 설명 |
|---|---|---|---|
show | bool | False | True이면 주석이 추가된 이미지나 비디오를 창에 표시합니다. 개발 또는 테스트 중 즉각적인 시각적 피드백을 얻는 데 유용합니다. |
show_conf | bool | True | 각 감지 결과의 레이블 옆에 신뢰도 점수를 표시합니다. 각 감지 결과에 대한 모델의 확신도를 파악할 수 있습니다. |
show_labels | bool | True | 시각화 출력에 각 감지 결과의 레이블을 표시합니다. 감지된 객체를 즉시 파악할 수 있습니다. |
실제 애플리케이션#
감시 시스템에서 개인정보 보호#
보안 카메라와 감시 시스템은 YOLO26을 사용하여 얼굴, 자동차 번호판 또는 기타 식별 정보를 자동으로 블러 처리하면서 중요한 활동은 계속 촬영할 수 있습니다. 이를 통해 공공장소에서 개인정보 보호 권리를 존중하면서 보안을 유지할 수 있습니다.
의료 데이터 익명화#
의료 영상에는 환자 정보가 스캔 이미지나 사진에 포함되는 경우가 많습니다. YOLO26은 해당 정보를 감지하고 블러 처리하여 연구 또는 교육 목적으로 의료 데이터를 공유할 때 HIPAA와 같은 규정을 준수하도록 지원합니다.
문서 비식별 처리#
민감 정보가 포함된 문서를 공유할 때 YOLO26은 서명, 계좌 번호 또는 개인 정보와 같은 특정 요소를 자동으로 감지하고 블러 처리할 수 있습니다. 이를 통해 문서의 무결성을 유지하면서 비식별 처리 과정을 간소화합니다.
미디어 및 콘텐츠 제작#
콘텐츠 제작자는 YOLO26을 사용하여 동영상과 이미지에서 브랜드 로고, 저작권 보호 자료 또는 부적절한 콘텐츠를 블러 처리할 수 있습니다. 이렇게 하면 전반적인 콘텐츠 품질을 유지하면서 법적 문제를 예방하는 데 도움이 됩니다.
자주 묻는 질문#
Ultralytics YOLO26을 사용한 객체 블러 처리는 이미지나 동영상에서 특정 객체를 자동으로 감지하고 블러 효과를 적용하는 작업입니다. 이 기법은 관련 시각 데이터는 유지하면서 민감 정보를 가려 개인정보 보호를 강화합니다. YOLO26의 실시간 처리 기능은 즉각적인 개인정보 보호와 선택적 초점 조정이 필요한 애플리케이션에 적합합니다.
YOLO26 객체 감지를 실행하고 각 프레임의 모든 감지 결과를 블러 처리하는 위의 Python 예제를 사용하세요. 효과를 조절하려면
blur_ratio를 설정하고(예: 블러 강도를 50%로 설정하려면0.5사용), 특정 객체 유형만 블러 처리하려면classes를 전달하세요.Ultralytics YOLO26은 객체 블러 처리에 다음과 같은 여러 이점을 제공합니다.
- 개인정보 보호: 민감 정보 또는 식별 정보를 효과적으로 가립니다.
- 선택적 초점: 특정 객체만 블러 처리하여 중요한 시각 콘텐츠를 유지합니다.
- 실시간 처리: 동적인 환경에서 객체를 효율적으로 블러 처리하므로 즉각적인 개인정보 보호 강화에 적합합니다.
- 강도 조정: 블러 비율을 조정하여 개인정보 보호 요구와 시각적 맥락 사이의 균형을 맞출 수 있습니다.
- 클래스별 블러 처리: 특정 유형의 객체만 선택적으로 블러 처리하고 나머지는 표시할 수 있습니다.
더 자세한 적용 사례는 객체 블러 처리의 장점 섹션을 참조하세요.
예. 개인정보 보호를 위해 Ultralytics YOLO26을 구성하여 동영상의 얼굴을 감지하고 블러 처리할 수 있습니다. 얼굴을 인식하도록 특화된 모델을 학습하거나 사전 학습 모델을 사용한 다음, 감지 결과를 OpenCV로 처리하여 블러 효과를 적용할 수 있습니다. YOLO26을 사용한 객체 감지 가이드를 참조하고 얼굴 감지를 대상으로 코드를 수정하세요.
Ultralytics YOLO26은 일반적으로 속도 면에서 Faster R-CNN과 같은 모델보다 뛰어나 실시간 애플리케이션에 더 적합합니다. 두 모델 모두 정확한 감지를 제공하지만, YOLO26의 아키텍처는 빠른 추론에 최적화되어 있어 실시간 객체 블러 처리와 같은 작업에 필수적입니다. 기술적 차이와 성능 지표에 대한 자세한 내용은 YOLO26 문서를 참조하세요.