Размытие объектов с использованием Ultralytics YOLO26#
Что такое размытие объектов?#
Размытие объектов с помощью Ultralytics YOLO26 включает применение эффекта размытия к определённым обнаруженным объектам на изображении или в видео. Это можно реализовать с помощью возможностей модели YOLO26 для идентификации и обработки объектов в заданной сцене.
Watch: How to Train Face Detection Model using Ultralytics Platform & Blur Faces | Ultralytics YOLO26 🚀
Преимущества размытия объектов#
- Защита конфиденциальности: Размытие объектов — эффективный инструмент защиты конфиденциальности, позволяющий скрыть чувствительную или персонально идентифицируемую информацию на изображениях и в видео.
- Выборочный фокус: YOLO26 позволяет выборочно размывать объекты, благодаря чему можно обрабатывать только определённые объекты, обеспечивая баланс между конфиденциальностью и сохранением важной визуальной информации.
- Обработка в реальном времени: Эффективность YOLO26 позволяет размывать объекты в реальном времени, что делает модель подходящей для приложений, требующих мгновенного повышения конфиденциальности в динамичных средах.
- Соблюдение нормативных требований: Помогает организациям соблюдать правила защиты данных, такие как GDPR, за счёт анонимизации идентифицируемой информации в визуальном контенте.
- Модерация контента: Полезна для размытия неприемлемого или чувствительного контента на медиаплатформах с сохранением общего контекста.
Размытие объектов с помощью YOLO26#
Передай видео в решение ObjectBlurrer: оно обнаруживает объекты в каждом кадре и применяет к каждому обнаружению усредняющее (блочное) размытие. Управляй интенсивностью с помощью blur_ratio (0.1–1.0) и ограничивай размытие определёнными classes — например, только людьми и автомобилями.
# 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]"Аргументы ObjectBlurrer#
Вот таблица с аргументами ObjectBlurrer:
| Аргумент | Тип | По умолчанию | Описание |
|---|---|---|---|
model | str | None | Путь к файлу модели Ultralytics YOLO. |
blur_ratio | float | 0.5 | Настраивает процент интенсивности размытия; допустимые значения находятся в диапазоне 0.1 - 1.0. |
line_width | int | 2 | Толщина линий для рамок, ключевых точек и счётчиков, которые рисует решение. |
verbose | bool | True | Включает покадровый журнал решения с указанием формы входных данных, количества классов и скорости обработки. Сам вызов отслеживания всегда выполняется без вывода. |
Решение ObjectBlurrer также поддерживает ряд аргументов track:
| Аргумент | Тип | По умолчанию | Описание |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Определяет используемый алгоритм отслеживания. Встроенные варианты: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Задаёт порог уверенности для детекций: более низкие значения позволяют отслеживать больше объектов, но могут включать ложноположительные результаты. |
iou | float | 0.7 | Задаёт порог пересечения над объединением (IoU) для фильтрации перекрывающихся детекций. |
classes | list | None | Фильтрует результаты по индексу класса. Например, classes=[0, 2, 3] отслеживает только указанные классы. |
device | str | None | Определяет устройство для инференса (например, cpu, cuda:0 или 0). Позволяет выбрать CPU, конкретный GPU или другое вычислительное устройство для выполнения модели. |
imgsz | int or tuple | 640 | Целевой размер изображения для вывода: целое число для квадрата или пара (height, width). Формы подстраиваются под шаг модели. |
max_det | int | 300 | Максимальное количество обнаружений, сохраняемых на кадр перед трекингом, ограничивает объекты, обрабатываемые решением в плотных сценах. |
quantize | int or str | None | Точность вывода: 16 (FP16) или 32/не задано (FP32) для моделей PyTorch и TorchScript; остальные форматы выполняют вычисления с точностью, выбранной их артефактом и средой выполнения. Заменяет устаревший флаг half. |
Кроме того, можно использовать следующие аргументы визуализации:
| Аргумент | Тип | По умолчанию | Описание |
|---|---|---|---|
show | bool | False | Если True, аннотированные изображения или видео отображаются в окне. Это полезно для получения визуальной обратной связи в процессе разработки или тестирования. |
show_conf | bool | True | Отображает показатель уверенности для каждой детекции рядом с её меткой. Показывает, насколько модель уверена в каждой детекции. |
show_labels | bool | True | Отображает метки каждой детекции в визуальном результате. Даёт непосредственное представление об обнаруженных объектах. |
Практические применения#
Защита конфиденциальности при видеонаблюдении#
Камеры безопасности и системы видеонаблюдения могут использовать YOLO26 для автоматического размытия лиц, номерных знаков и другой идентифицирующей информации, продолжая фиксировать важные события. Это помогает поддерживать безопасность и одновременно соблюдать право на конфиденциальность в общественных местах.
Анонимизация медицинских данных#
В медицинских изображениях информация о пациентах часто присутствует на снимках или фотографиях. YOLO26 может обнаруживать и размывать эту информацию, чтобы соблюдать такие нормы, как HIPAA, при передаче медицинских данных для исследовательских или образовательных целей.
Редактирование документов#
При передаче документов, содержащих чувствительную информацию, YOLO26 может автоматически обнаруживать и размывать отдельные элементы, такие как подписи, номера счетов или персональные данные, упрощая процесс редактирования и сохраняя целостность документа.
Медиа и создание контента#
Создатели контента могут использовать YOLO26 для размытия логотипов брендов, материалов, защищённых авторским правом, или неприемлемого контента в видео и изображениях, помогая избежать юридических проблем и сохранить общее качество контента.
Часто задаваемые вопросы#
Размытие объектов с помощью Ultralytics YOLO26 включает автоматическое обнаружение определённых объектов на изображениях или в видео и применение к ним эффекта размытия. Этот метод повышает конфиденциальность, скрывая чувствительную информацию и сохраняя важные визуальные данные. Возможности YOLO26 по обработке в реальном времени делают модель подходящей для приложений, требующих немедленной защиты конфиденциальности и выборочной настройки фокуса.
Используй приведённый выше пример на Python, который запускает обнаружение объектов с помощью YOLO26 и размывает каждое обнаружение в каждом кадре. Задай
blur_ratio(например,0.5для интенсивности размытия 50%), чтобы управлять эффектом, и передайclasses, чтобы размывать только определённые типы объектов.Ultralytics YOLO26 предлагает несколько преимуществ для размытия объектов:
- Защита конфиденциальности: Эффективно скрывает чувствительную или идентифицирующую информацию.
- Выборочный фокус: Позволяет выбрать определённые объекты для размытия, сохраняя важный визуальный контент.
- Обработка в реальном времени: Эффективно выполняет размытие объектов в динамичных средах, что подходит для мгновенного повышения конфиденциальности.
- Настраиваемая интенсивность: Позволяет изменять степень размытия, обеспечивая баланс между требованиями к конфиденциальности и визуальным контекстом.
- Размытие по классам: Позволяет выборочно размывать только определённые типы объектов, оставляя остальные видимыми.
Более подробную информацию о применении см. в разделе о преимуществах размытия объектов.
Да, Ultralytics YOLO26 можно настроить для обнаружения и размытия лиц в видео с целью защиты конфиденциальности. Если обучить модель или использовать предварительно обученную модель, специально предназначенную для распознавания лиц, результаты обнаружения можно обработать с помощью OpenCV, чтобы применить эффект размытия. Ознакомься с нашим руководством по обнаружению объектов с помощью YOLO26 и измени код для обнаружения лиц.
Ultralytics YOLO26 обычно превосходит такие модели, как Faster R-CNN, по скорости, что делает её более подходящей для приложений реального времени. Хотя обе модели обеспечивают точное обнаружение, архитектура YOLO26 оптимизирована для быстрого вывода, что особенно важно для таких задач, как размытие объектов в реальном времени. Подробнее о технических различиях и показателях производительности см. в нашей документации по YOLO26.