Recorte de objectos utilizando Ultralytics YOLOv8

O que é o Recorte de objectos?

O recorte de objectos com Ultralytics YOLOv8 envolve o isolamento e a extração de objectos específicos detectados de uma imagem ou vídeo. As capacidades do modelo YOLOv8 são utilizadas para identificar e delinear com precisão os objectos, permitindo um recorte preciso para análise ou manipulação posterior.

Observa: Recorte de objectos utilizando Ultralytics YOLOv8

Vantagens do corte de objectos?

• Análise focada: YOLOv8 facilita o recorte de objectos específicos, permitindo um exame ou processamento aprofundado de itens individuais numa cena.
• Reduz o volume de dados: 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 YOLOv8 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 YOLOv8

import os

import cv2

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

model = YOLO("yolov8n.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 YOLOv8 e como funciona?

O recorte de objectos utilizando Ultralytics YOLOv8 envolve o isolamento e a extração de objectos específicos de uma imagem ou vídeo com base nas capacidades de deteção do YOLOv8. Este processo permite uma análise focada, um volume de dados reduzido e uma precisão melhorada, tirando partido do YOLOv8 para identificar objectos com elevada precisão e cortá-los em conformidade. Para um tutorial aprofundado, consulta o exemplo de corte de objectos.

Por que razão devo utilizar Ultralytics YOLOv8 para recortar objectos em vez de outras soluções?

Ultralytics YOLOv8 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, o YOLOv8 integra-se perfeitamente com ferramentas como OpenVINO e TensorRT para implementações que requerem capacidades em tempo real e otimização em hardware diverso. Explora as vantagens no guia sobre exportação de modelos.

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

Utilizando Ultralytics YOLOv8 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 treinar o 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 YOLOv8 , visita o nosso guia de início rápido.

Posso utilizar o Ultralytics YOLOv8 para análise de vídeo em tempo real e recorte de objectos?

Sim, o Ultralytics YOLOv8 pode processar feeds de vídeo em tempo real para detetar e cortar objectos de forma dinâmica. Os recursos de inferência de alta velocidade do modelo o tornam ideal para aplicações em tempo real, como vigilância, análise de esportes e sistemas de inspeção automatizados. Consulta os modos de rastreio e previsão para compreenderes como implementar o processamento em tempo real.

Quais são os requisitos de hardware para executar eficientemente o YOLOv8 para recorte de objectos?

Ultralytics YOLOv8 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 um GPU dedicado (por exemplo, NVIDIA Tesla, série RTX). Para implantação em dispositivos leves, considera 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.

Comentários