Ultralytics YOLO26을 사용한 객체 블러 처리란 무엇인가요?

Ultralytics YOLO26을 사용한 객체 블러 처리는 이미지나 동영상에서 특정 객체를 자동으로 감지하고 블러 효과를 적용하는 작업입니다. 이 기법은 민감한 정보를 가리면서 관련 시각 데이터는 유지하여 개인정보 보호를 강화합니다. YOLO26의 실시간 처리 기능은 즉각적인 개인정보 보호와 선택적 초점 조정이 필요한 애플리케이션에 적합합니다.

YOLO26을 사용하여 실시간 객체 블러 처리를 구현하려면 어떻게 해야 하나요?

YOLO26 객체 감지를 실행하고 각 프레임의 모든 감지 결과를 블러 처리하는 위의 Python 예제를 사용합니다. 효과를 제어하려면 blur_ratio(예: 블러 강도 50%를 위한 0.5)를 설정하고, 특정 객체 유형만 블러 처리하려면 classes를 전달합니다.

객체 블러 처리에 Ultralytics YOLO26을 사용하면 어떤 이점이 있나요?

Ultralytics YOLO26은 객체 블러 처리에 다음과 같은 여러 장점을 제공합니다. 개인정보 보호: 민감하거나 식별 가능한 정보를 효과적으로 가립니다. 선택적 초점: 블러 처리할 특정 객체를 대상으로 지정하면서 중요한 시각 콘텐츠를 유지합니다. 실시간 처리: 동적인 환경에서 객체 블러 처리를 효율적으로 수행하므로 즉각적인 개인정보 보호 강화에 적합합니다. 강도 사용자 지정: 개인정보 보호 요구 사항과 시각적 맥락 사이의 균형을 맞추도록 블러 비율을 조정합니다. 클래스별 블러 처리: 특정 유형의 객체만 선택적으로 블러 처리하고 다른 객체는 표시된 상태로 유지합니다. 더 자세한 애플리케이션 내용은 객체 블러 처리의 장점 섹션을 참조하세요.

개인정보 보호를 위해 Ultralytics YOLO26을 사용하여 동영상에서 얼굴을 블러 처리할 수 있나요?

예. Ultralytics YOLO26은 개인정보 보호를 위해 동영상에서 얼굴을 감지하고 블러 처리하도록 구성할 수 있습니다. 얼굴을 특별히 인식하도록 모델을 학습시키거나 사전 학습된 모델을 사용한 다음, 감지 결과를 OpenCV로 처리하여 블러 효과를 적용할 수 있습니다. YOLO26을 사용한 객체 감지 가이드를 참조하고 얼굴 감지를 대상으로 지정하도록 코드를 수정하세요.

YOLO26은 객체 블러 처리에서 Faster R-CNN과 같은 다른 객체 감지 모델과 비교하여 어떤가요?

Ultralytics YOLO26은 일반적으로 속도 측면에서 Faster R-CNN과 같은 모델보다 뛰어나므로 실시간 애플리케이션에 더 적합합니다. 두 모델 모두 정확한 감지를 제공하지만, YOLO26의 아키텍처는 빠른 추론에 최적화되어 있어 실시간 객체 블러 처리와 같은 작업에 매우 중요합니다. 기술적 차이와 성능 지표에 대한 자세한 내용은 YOLO26 문서에서 확인하세요.

Ultralytics YOLO26을 활용한 객체 모자이크 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 장면 내 객체를 식별하고 처리함으로써 이를 구현할 수 있습니다.

Watch: How to Train Face Detection Model using Ultralytics Platform & Blur Faces | Ultralytics YOLO26 🚀

객체 블러 처리의 장점#

개인정보 보호: 객체 블러 처리는 이미지나 동영상에서 민감한 정보 또는 개인 식별 정보를 가려 개인정보를 보호하는 효과적인 도구입니다.
선택적 초점: YOLO26은 선택적 블러 처리를 지원하므로 사용자가 특정 객체를 대상으로 지정할 수 있으며, 개인정보 보호와 관련 시각 정보의 유지 사이에서 균형을 맞출 수 있습니다.
실시간 처리: YOLO26의 효율성 덕분에 객체를 실시간으로 블러 처리할 수 있으므로, 동적인 환경에서 즉각적인 개인정보 보호 강화가 필요한 애플리케이션에 적합합니다.
규정 준수: 시각 콘텐츠에서 식별 가능한 정보를 익명화하여 조직이 GDPR과 같은 데이터 보호 규정을 준수하도록 지원합니다.
콘텐츠 조정: 전체적인 맥락은 유지하면서 미디어 플랫폼의 부적절하거나 민감한 콘텐츠를 블러 처리하는 데 유용합니다.

YOLO26으로 객체 블러 처리#

동영상을 ObjectBlurrer 솔루션에 전달하면 각 프레임에서 객체를 감지하고 모든 감지 결과에 평균화(box) 블러를 적용합니다. blur_ratio(0.1–1.0)로 강도를 조절하고, 블러 처리를 특정 classes로 제한할 수 있습니다. 예를 들어 사람과 자동차에만 적용할 수 있습니다.

Ultralytics YOLO를 사용한 객체 블러 처리

# 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 백분율을 조정하며, 값의 범위는 `0.1 - 1.0`입니다.
`line_width`	`int`	`2`	솔루션이 그리는 박스, 키포인트 및 카운트의 선 두께입니다.
`verbose`	`bool`	`True`	입력 형태, 클래스별 개수 및 처리 속도의 프레임별 로그를 활성화합니다. 추적 호출 자체는 항상 로그를 출력하지 않습니다.

ObjectBlurrer 솔루션은 다양한 track 인수도 지원합니다.

인수	유형	기본값	설명
`tracker`	`str`	`'botsort.yaml'`	사용할 추적 알고리즘을 지정합니다. 기본 제공 옵션: `botsort.yaml`, `bytetrack.yaml`, `ocsort.yaml`, `deepocsort.yaml`, `fasttrack.yaml`, `tracktrack.yaml`입니다.
`conf`	`float`	`0.25`	검출 결과의 신뢰도 임계값을 설정합니다. 값이 낮을수록 더 많은 객체를 추적할 수 있지만 오탐이 포함될 수 있습니다.
`iou`	`float`	`0.7`	겹치는 검출 결과를 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 CPU, 특정 GPU 또는 기타 컴퓨팅 장치 중에서 모델 실행 장치를 선택할 수 있습니다.
`imgsz`	`int or tuple`	`640`	목표 추론 이미지 크기: 정사각형의 경우 정수 또는 `(height, width)` 쌍입니다. 형태는 모델 스트라이드에 맞게 조정됩니다.
`max_det`	`int`	`300`	추적 전 프레임당 유지되는 최대 검출 수로, 솔루션이 밀집된 장면에서 처리하는 객체를 제한합니다.
`quantize`	`int or str`	`None`	추론 정밀도: PyTorch 및 TorchScript 모델의 경우 `16`(FP16) 또는 `32`/설정 안 함(FP32); 기타 형식은 아티팩트와 런타임이 선택하는 정밀도로 계산됩니다. 더 이상 사용되지 않는 `half` 플래그를 대체합니다.

또한 다음 시각화 인수를 사용할 수 있습니다.

인수	유형	기본값	설명
`show`	`bool`	`False`	`True`인 경우 annotation이 추가된 이미지 또는 비디오를 window에 표시합니다. 개발 또는 테스트 중 즉각적인 시각적 피드백을 제공하는 데 유용합니다.
`show_conf`	`bool`	`True`	각 detection의 confidence score를 label과 함께 표시합니다. 각 detection에 대한 모델의 확신 정도를 파악할 수 있습니다.
`show_labels`	`bool`	`True`	visual output에 각 detection의 label을 표시합니다. 검출된 객체를 즉시 파악할 수 있습니다.

실제 애플리케이션#

감시 시스템에서의 개인정보 보호#

보안 카메라와 감시 시스템은 YOLO26을 사용하여 얼굴, 번호판 또는 기타 식별 정보를 자동으로 블러 처리하면서도 중요한 활동은 계속 포착할 수 있습니다. 이를 통해 공공장소에서 개인정보 보호 권리를 존중하면서 보안을 유지할 수 있습니다.

의료 데이터 익명화#

의료 영상에는 환자 정보가 스캔 이미지나 사진에 표시되는 경우가 많습니다. YOLO26은 이 정보를 감지하고 블러 처리하여 연구 또는 교육 목적으로 의료 데이터를 공유할 때 HIPAA와 같은 규정을 준수하도록 지원할 수 있습니다.

문서 비식별화#

민감한 정보가 포함된 문서를 공유할 때 YOLO26은 서명, 계좌 번호 또는 개인 정보와 같은 특정 요소를 자동으로 감지하고 블러 처리하여 문서 무결성을 유지하면서 비식별화 프로세스를 간소화할 수 있습니다.

미디어 및 콘텐츠 제작#

FAQ#

Ultralytics YOLO26을 사용한 객체 블러 처리는 이미지나 동영상에서 특정 객체를 자동으로 감지하고 블러 효과를 적용하는 작업입니다. 이 기법은 민감한 정보를 가리면서 관련 시각 데이터는 유지하여 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 사용합니다. 효과를 제어하려면 blur_ratio(예: 블러 강도 50%를 위한 0.5)를 설정하고, 특정 객체 유형만 블러 처리하려면 classes를 전달합니다.
Ultralytics YOLO26은 객체 블러 처리에 다음과 같은 여러 장점을 제공합니다.
- 개인정보 보호: 민감하거나 식별 가능한 정보를 효과적으로 가립니다.
- 선택적 초점: 블러 처리할 특정 객체를 대상으로 지정하면서 중요한 시각 콘텐츠를 유지합니다.
- 실시간 처리: 동적인 환경에서 객체 블러 처리를 효율적으로 수행하므로 즉각적인 개인정보 보호 강화에 적합합니다.
- 강도 사용자 지정: 개인정보 보호 요구 사항과 시각적 맥락 사이의 균형을 맞추도록 블러 비율을 조정합니다.
- 클래스별 블러 처리: 특정 유형의 객체만 선택적으로 블러 처리하고 다른 객체는 표시된 상태로 유지합니다.
더 자세한 애플리케이션 내용은 객체 블러 처리의 장점 섹션을 참조하세요.
예. Ultralytics YOLO26은 개인정보 보호를 위해 동영상에서 얼굴을 감지하고 블러 처리하도록 구성할 수 있습니다. 얼굴을 특별히 인식하도록 모델을 학습시키거나 사전 학습된 모델을 사용한 다음, 감지 결과를 OpenCV로 처리하여 블러 효과를 적용할 수 있습니다. YOLO26을 사용한 객체 감지 가이드를 참조하고 얼굴 감지를 대상으로 지정하도록 코드를 수정하세요.
Ultralytics YOLO26은 일반적으로 속도 측면에서 Faster R-CNN과 같은 모델보다 뛰어나므로 실시간 애플리케이션에 더 적합합니다. 두 모델 모두 정확한 감지를 제공하지만, YOLO26의 아키텍처는 빠른 추론에 최적화되어 있어 실시간 객체 블러 처리와 같은 작업에 매우 중요합니다. 기술적 차이와 성능 지표에 대한 자세한 내용은 YOLO26 문서에서 확인하세요.

기여자

GLglenn-jocher¹⁴ RIRizwanMunawar⁷ RAraimbekovm⁵ MAMatthewNoyce² PDpderrenger¹ IVIvorZhu331¹ AYAyushExel¹

생성됨 2024년 1월 9일업데이트됨 3일 전