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.
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 |
Recorte de objectos utilizando YOLOv8 Exemplo
from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors
import cv2
import os
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
Nome | Tipo | Predefinição | Descrição |
---|---|---|---|
source |
str |
'ultralytics/assets' |
diretório de origem para imagens ou vídeos |
conf |
float |
0.25 |
limiar de confiança do objeto para deteção |
iou |
float |
0.7 |
limiar de intersecção sobre a união (IoU) para os NMS |
imgsz |
int or tuple |
640 |
tamanho da imagem como escalar ou lista (h, w), ou seja, (640, 480) |
half |
bool |
False |
utiliza meia precisão (FP16) |
device |
None or str |
None |
dispositivo para execução, ou seja, dispositivo cuda=0/1/2/3 ou dispositivo=cpu |
max_det |
int |
300 |
número máximo de detecções por imagem |
vid_stride |
bool |
False |
taxa de fotogramas do vídeo |
stream_buffer |
bool |
False |
guarda todos os fotogramas de transmissão (True) ou devolve o fotograma mais recente (False) |
visualize |
bool |
False |
visualiza as características do modelo |
augment |
bool |
False |
aplica o aumento de imagem a fontes de previsão |
agnostic_nms |
bool |
False |
NMS com diagnóstico de classe |
classes |
list[int] |
None |
filtra os resultados por classe, ou seja, classes=0, ou classes=[0,2,3] |
retina_masks |
bool |
False |
utiliza máscaras de segmentação de alta resolução |
embed |
list[int] |
None |
devolve vectores de características/embeddings de determinadas camadas |
Criado em 2024-01-09, Atualizado em 2024-03-03
Autores: glenn-jocher (2), RizwanMunawar (2), AyushExel (1)