Recorte de objectos utilizando Ultralytics YOLO11

O que é o Recorte de objectos?

O recorte de objectos com Ultralytics YOLO11 envolve o isolamento e a extração de objectos específicos detectados de uma imagem ou vídeo. As capacidades do modelo YOLO11 são utilizadas para identificar e delinear com precisão os objectos, permitindo um recorte preciso para análise ou manipulação posterior.

Ver: Recorte de objectos utilizando Ultralytics YOLO

Vantagens do recorte de objectos?

• Análise focada: YOLO11 facilita o recorte de objectos específicos, permitindo um exame ou processamento aprofundado de itens individuais numa cena.
• Volume de dados reduzido: Ao extrair apenas objectos relevantes, o recorte de objectos ajuda a minimizar o tamanho dos dados, tornando-os eficientes para armazenamento, transmissão ou tarefas computacionais subsequentes.
• Precisão melhorada: A precisão da deteção de objectos do YOLO11 assegura que os objectos recortados mantêm as suas relações espaciais, preservando a integridade da informação visual para uma análise detalhada.

Visuais

Bagagem de aeroporto
Recolha de malas no tapete rolante do aeroporto utilizando Ultralytics YOLO11

import os

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n.pt")
names = model.names

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

crop_dir_name = "ultralytics_crop"
if not os.path.exists(crop_dir_name):
    os.mkdir(crop_dir_name)

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

idx = 0
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = model.predict(im0, show=False)
    boxes = results[0].boxes.xyxy.cpu().tolist()
    clss = results[0].boxes.cls.cpu().tolist()
    annotator = Annotator(im0, line_width=2, example=names)

    if boxes is not None:
        for box, cls in zip(boxes, clss):
            idx += 1
            annotator.box_label(box, color=colors(int(cls), True), label=names[int(cls)])

            crop_obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]

            cv2.imwrite(os.path.join(crop_dir_name, str(idx) + ".png"), crop_obj)

    cv2.imshow("ultralytics", im0)
    video_writer.write(im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

Argumentos model.predict

FAQ

O que é o recorte de objectos em Ultralytics YOLO11 e como funciona?

O recorte de objectos utilizando Ultralytics YOLO11 envolve o isolamento e a extração de objectos específicos de uma imagem ou vídeo com base nas capacidades de deteção do YOLO11. Este processo permite uma análise focada, um volume de dados reduzido e uma precisão melhorada, tirando partido do YOLO11 para identificar objectos com elevada precisão e cortá-los em conformidade. Para um tutorial aprofundado, consulte o exemplo de corte de objectos.

Por que razão devo utilizar Ultralytics YOLO11 para o recorte de objectos em vez de outras soluções?

Ultralytics YOLO11 destaca-se pela sua precisão, velocidade e facilidade de utilização. Permite a deteção e o recorte detalhados e precisos de objectos, essenciais para análises específicas e aplicações que necessitem de uma elevada integridade dos dados. Além disso, YOLO11 integra-se perfeitamente com ferramentas como OpenVINO e TensorRT para implementações que requerem capacidades em tempo real e otimização em hardware diverso. Explore as vantagens no guia sobre exportação de modelos.

Como posso reduzir o volume de dados do meu conjunto de dados utilizando o recorte de objectos?

Ao utilizar o Ultralytics YOLO11 para cortar apenas objectos relevantes das suas imagens ou vídeos, pode reduzir significativamente o tamanho dos dados, tornando-os mais eficientes para armazenamento e processamento. Este processo envolve a formação do modelo para detetar objectos específicos e, em seguida, utilizar os resultados para cortar e guardar apenas essas partes. Para mais informações sobre como explorar as capacidades do Ultralytics YOLO11 , visite o nosso guia de início rápido.

Posso utilizar o Ultralytics YOLO11 para análise de vídeo em tempo real e recorte de objectos?

Sim, o Ultralytics YOLO11 pode processar feeds de vídeo em tempo real para detetar e cortar objectos de forma dinâmica. As capacidades de inferência de alta velocidade do modelo tornam-no ideal para aplicações em tempo real, como vigilância, análise desportiva e sistemas de inspeção automatizados. Confira os modos de rastreamento e previsão para entender como implementar o processamento em tempo real.

Quais são os requisitos de hardware para executar eficientemente o YOLO11 para recorte de objectos?

Ultralytics YOLO11 está optimizado para ambientes CPU e GPU , mas para obter um desempenho ótimo, especialmente para inferência em tempo real ou de grande volume, recomenda-se a utilização de um GPU dedicado (por exemplo, NVIDIA Tesla, série RTX). Para implantação em dispositivos leves, considere usar CoreML para iOS ou TFLite para Android. Mais detalhes sobre os dispositivos e formatos suportados podem ser encontrados em nossas opções de implantação de modelos.

📅C riado há 11 meses ✏️ Atualizado há 2 meses

Comentários