Recorte de objetos com Ultralytics YOLO26#
O que é o recorte de objetos?#
O recorte de objetos com Ultralytics YOLO26 envolve isolar e extrair objetos específicos detetados numa imagem ou vídeo. As capacidades do modelo YOLO26 são utilizadas para identificar e delimitar objetos com precisão, permitindo recortes exatos para análise ou manipulação posteriores.
Watch: Object Cropping using Ultralytics YOLO
Vantagens do recorte de objetos#
- Análise focada: YOLO26 facilita o recorte direcionado de objetos, permitindo o exame ou processamento detalhado de itens individuais numa cena.
- Volume de dados reduzido: Ao extrair apenas os objetos relevantes, o recorte de objetos ajuda a minimizar o tamanho dos dados, tornando o armazenamento, a transmissão ou as tarefas computacionais subsequentes mais eficientes.
- Precisão melhorada: A deteção de objetos e a precisão do YOLO26 garantem que os objetos recortados mantenham as suas relações espaciais, preservando a integridade da informação visual para uma análise detalhada.
Elementos visuais#
| Bagagem de aeroporto |
|---|
 |
| Recorte de malas no tapete rolante do aeroporto com Ultralytics YOLO26 |
Recortar objetos com YOLO26#
Passe o seu vídeo para a solução ObjectCropper, que deteta objetos em cada frame e guarda cada deteção como uma imagem separada. Restrinja o recorte a classes específicos, aumente conf para manter apenas as deteções com confiança elevada e defina crop_dir para escolher onde os recortes serão gravados.
# 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]"Argumentos de ObjectCropper#
Eis uma tabela com os argumentos de ObjectCropper:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
model | str | None | Caminho para um ficheiro de modelo YOLO da Ultralytics. |
crop_dir | str | 'cropped-detections' | Nome do diretório para armazenar as deteções recortadas. |
Perguntas frequentes#
O recorte de objetos com Ultralytics YOLO26 envolve isolar e extrair objetos específicos de uma imagem ou vídeo com base nas capacidades de deteção do YOLO26. Este processo permite uma análise focada, um volume de dados reduzido e uma precisão melhorada, aproveitando o YOLO26 para identificar objetos com elevada precisão e recortá-los de forma correspondente. Para obter um tutorial detalhado, consulte o exemplo de recorte de objetos.
O Ultralytics YOLO26 destaca-se pela sua precisão, velocidade e facilidade de utilização. Permite uma deteção e um recorte de objetos detalhados e precisos, essenciais para a análise focada e para aplicações que exigem elevada integridade dos dados. Além disso, o YOLO26 integra-se perfeitamente com ferramentas como OpenVINO e TensorRT para implementações que exigem capacidades em tempo real e otimização em hardware diversificado. Explore as vantagens no guia sobre exportação de modelos.
Ao utilizar o Ultralytics YOLO26 para recortar apenas os objetos relevantes das suas imagens ou vídeos, pode reduzir significativamente o tamanho dos dados, tornando o armazenamento e o processamento mais eficientes. Este processo envolve treinar o modelo para detetar objetos específicos e, em seguida, utilizar os resultados para recortar e guardar apenas essas partes. Para obter mais informações sobre como aproveitar as capacidades do Ultralytics YOLO26, visite o nosso guia de início rápido.
Sim, o Ultralytics YOLO26 pode processar transmissões de vídeo em tempo real para detetar e recortar objetos dinamicamente. As capacidades de inferência de alta velocidade do modelo tornam-no ideal para aplicações em tempo real, como videovigilância, análise desportiva e sistemas de inspeção automatizada. Consulte os modos de rastreamento e de predição para compreender como implementar o processamento em tempo real.
O Ultralytics YOLO26 está otimizado para ambientes com CPU e GPU, mas, para obter um desempenho ideal, especialmente em inferência em tempo real ou de grande volume, recomenda-se uma GPU dedicada (por exemplo, NVIDIA Tesla ou da série RTX). Para implementar em dispositivos leves, considere utilizar CoreML para iOS ou LiteRT para Android. Pode encontrar mais detalhes sobre os dispositivos e formatos suportados nas nossas opções de implementação de modelos.