Desfocagem de objectos utilizando Ultralytics YOLO11 🚀

O que é a desfocagem de objectos?

A desfocagem de objectos com Ultralytics YOLO11 envolve a aplicação de um efeito de desfocagem a objectos específicos detectados numa imagem ou vídeo. Isto pode ser conseguido utilizando as capacidades do modelo YOLO11 para identificar e manipular objectos numa determinada cena.

Ver: Desfocagem de objectos utilizando Ultralytics YOLO11

Vantagens da desfocagem de objectos

Proteção da privacidade: A desfocagem de objectos é uma ferramenta eficaz para salvaguardar a privacidade, ocultando informações sensíveis ou pessoalmente identificáveis em imagens ou vídeos.
Focagem selectiva: YOLO11 permite uma desfocagem selectiva, permitindo aos utilizadores visar objectos específicos, assegurando um equilíbrio entre a privacidade e a retenção de informações visuais relevantes.
Processamento em tempo real: YOLO11 A eficiência do software permite a desfocagem de objectos em tempo real, tornando-o adequado para aplicações que requerem melhorias de privacidade em tempo real em ambientes dinâmicos.
Conformidade regulamentar: Ajuda as organizações a cumprir os regulamentos de proteção de dados, como o RGPD, tornando anónimas as informações identificáveis no conteúdo visual.
Moderação de conteúdos: Útil para desfocar conteúdos inadequados ou sensíveis em plataformas multimédia, preservando o contexto geral.

Desfocagem de objectos utilizando Ultralytics YOLO

CLIPython

# 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]"

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("object_blurring_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize object blurrer object
blurrer = solutions.ObjectBlurrer(
    show=True,  # display the output
    model="yolo11n.pt",  # model for object blurring i.e. yolo11m.pt
    # line_width=2,  # width of bounding box.
    # classes=[0, 2],  # count specific classes i.e, person and car with COCO pretrained model.
    # blur_ratio=0.5,  # adjust percentage of blur intensity, the value in range 0.1 - 1.0
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = blurrer(im0)

    # print(results")  # access the output

    video_writer.write(results.plot_im)  # write the processed frame.

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

`ObjectBlurrer` Argumentos

Aqui está uma tabela com os ObjectBlurrer argumentos:

Argumento	Tipo	Predefinição	Descrição
`model`	`str`	`None`	Caminho para o ficheiro do modelo Ultralytics YOLO .
`line_width`	`None or int`	`None`	Especifica a largura da linha das caixas delimitadoras. Se `None`A largura da linha é ajustada automaticamente com base no tamanho da imagem. Proporciona uma personalização visual para maior clareza.
`blur_ratio`	`float`	`0.5`	Ajusta a percentagem da intensidade da desfocagem, com valores no intervalo `0.1 - 1.0`.

O ObjectBlurrer A solução também suporta uma gama de track argumentos:

Argumento	Tipo	Predefinição	Descrição
`tracker`	`str`	`'botsort.yaml'`	Especifica o algoritmo de seguimento a utilizar, por exemplo, `bytetrack.yaml` ou `botsort.yaml`.
`conf`	`float`	`0.3`	Define o limiar de confiança para as detecções; valores mais baixos permitem o seguimento de mais objectos, mas podem incluir falsos positivos.
`iou`	`float`	`0.5`	Define o limiar de Intersecção sobre União (IoU) para filtrar detecções sobrepostas.
`classes`	`list`	`None`	Filtra os resultados por índice de classe. Por exemplo, `classes=[0, 2, 3]` só rastreia as classes especificadas.
`verbose`	`bool`	`True`	Controla a apresentação dos resultados do seguimento, fornecendo uma saída visual dos objectos seguidos.
`device`	`str`	`None`	Especifica o dispositivo para inferência (por exemplo, `cpu`, `cuda:0` ou `0`). Permite aos utilizadores selecionar entre CPU, um GPU específico, ou outros dispositivos de computação para a execução do modelo.

Além disso, podem ser utilizados os seguintes argumentos de visualização:

Argumento	Tipo	Predefinição	Descrição
`show`	`bool`	`False`	Se `True`apresenta as imagens ou vídeos anotados numa janela. Útil para feedback visual imediato durante o desenvolvimento ou teste.
`line_width`	`None or int`	`None`	Especifica a largura da linha das caixas delimitadoras. Se `None`A largura da linha é ajustada automaticamente com base no tamanho da imagem. Proporciona uma personalização visual para maior clareza.

Aplicações no mundo real

Proteção da privacidade na vigilância

As câmaras de segurança e os sistemas de vigilância podem utilizar YOLO11 para desfocar automaticamente rostos, matrículas de automóveis ou outras informações de identificação, sem deixar de captar actividades importantes. Isto ajuda a manter a segurança, respeitando os direitos de privacidade em espaços públicos.

Anonimização de dados de cuidados de saúde

Na imagiologia médica, a informação do doente aparece frequentemente em exames ou fotografias. YOLO11 pode detetar e esbater estas informações para cumprir regulamentos como a HIPAA ao partilhar dados médicos para fins de investigação ou educação.

Redação de documentos

Ao partilhar documentos que contêm informações confidenciais, YOLO11 pode detetar e desfocar automaticamente elementos específicos como assinaturas, números de conta ou detalhes pessoais, simplificando o processo de redação e mantendo a integridade do documento.

Criação de meios de comunicação e conteúdos

Os criadores de conteúdos podem utilizar YOLO11 para desfocar logótipos de marcas, material protegido por direitos de autor ou conteúdos inadequados em vídeos e imagens, ajudando a evitar problemas legais e preservando a qualidade geral dos conteúdos.

FAQ

O que é a desfocagem de objectos com Ultralytics YOLO11 ?

A desfocagem de objectos com Ultralytics YOLO11 envolve a deteção automática e a aplicação de um efeito de desfocagem a objectos específicos em imagens ou vídeos. Esta técnica aumenta a privacidade, ocultando informações sensíveis e mantendo os dados visuais relevantes. YOLO11 As capacidades de processamento em tempo real da tecnologia de desfocagem de objectos da Microsoft tornam-na adequada para aplicações que requerem proteção imediata da privacidade e ajustes selectivos da focagem.

Como posso implementar a desfocagem de objectos em tempo real utilizando YOLO11?

Para implementar a desfocagem de objectos em tempo real com YOLO11, siga o exemplo fornecido em Python . Isto implica a utilização do YOLO11 para a deteção de objectos e do OpenCV para aplicar o efeito de desfocagem. Aqui está uma versão simplificada:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.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))

# Video writer
video_writer = cv2.VideoWriter("object_blurring_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init ObjectBlurrer
blurrer = solutions.ObjectBlurrer(
    show=True,  # display the output
    model="yolo11n.pt",  # model="yolo11n-obb.pt" for object blurring using YOLO11 OBB model.
    blur_ratio=0.5,  # set blur percentage i.e 0.7 for 70% blurred detected objects
    # line_width=2,  # width of bounding box.
    # classes=[0, 2],  # count specific classes i.e, person and car with COCO pretrained model.
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or processing is complete.")
        break
    results = blurrer(im0)
    video_writer.write(results.plot_im)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Quais são as vantagens de utilizar Ultralytics YOLO11 para a desfocagem de objectos?

Ultralytics YOLO11 oferece várias vantagens para a desfocagem de objectos:

Proteção da privacidade: Ocultar eficazmente informações sensíveis ou identificáveis.
Foco seletivo: Selecione objectos específicos para desfocagem, mantendo o conteúdo visual essencial.
Processamento em tempo real: Executa a desfocagem de objectos de forma eficiente em ambientes dinâmicos, adequada para melhorias instantâneas da privacidade.
Intensidade personalizável: Ajuste o rácio de desfocagem para equilibrar as necessidades de privacidade com o contexto visual.
Desfocagem específica de classe: Desfocar seletivamente apenas determinados tipos de objectos, deixando outros visíveis.

Para aplicações mais detalhadas, consulte a secção vantagens da desfocagem de objectos.

Posso utilizar Ultralytics YOLO11 para desfocar rostos num vídeo por motivos de privacidade?

Sim, o Ultralytics YOLO11 pode ser configurado para detetar e desfocar rostos em vídeos para proteger a privacidade. Ao treinar ou usar um modelo pré-treinado para reconhecer especificamente rostos, os resultados da deteção podem ser processados com o OpenCV para aplicar um efeito de desfoque. Consulte o nosso guia sobre a deteção de objectos com YOLO11 e modifique o código para se dirigir à deteção de rostos.

Como é que o YOLO11 se compara a outros modelos de deteção de objectos, como o Faster R-CNN, para a desfocagem de objectos?

Ultralytics YOLO11 O supera normalmente os modelos como o Faster R-CNN em termos de velocidade, tornando-o mais adequado para aplicações em tempo real. Embora ambos os modelos ofereçam uma deteção precisa, a arquitetura do YOLO11 está optimizada para uma inferência rápida, o que é essencial para tarefas como a desfocagem de objectos em tempo real. Saiba mais sobre as diferenças técnicas e as métricas de desempenho na nossa documentaçãoYOLO11 .

📅C riado há 1 ano ✏️ Atualizado há 6 dias