Перейти к содержимому

Размытие объектов с помощью Ultralytics YOLOv8 🚀.

Что такое размытие объектов?

Размытие объектов с помощью Ultralytics YOLOv8 предполагает применение эффекта размытия к определенным обнаруженным объектам на изображении или видео. Этого можно добиться, используя возможности модели YOLOv8 для идентификации и манипулирования объектами в данной сцене.



Смотри: Object Blurring using Ultralytics YOLOv8

Преимущества размытия объектов?

  • Защита частной жизни: Размытие объектов - это эффективный инструмент для защиты приватности, позволяющий скрыть конфиденциальную или персонально идентифицируемую информацию на изображениях или видео.
  • Выборочная фокусировка: YOLOv8 позволяет выборочно размывать изображение, давая возможность пользователям нацеливаться на конкретные объекты, обеспечивая баланс между приватностью и сохранением актуальной визуальной информации.
  • Обработка в реальном времени: YOLOv8'Эффективность позволяет размывать объекты в режиме реального времени, что делает его подходящим для приложений, требующих повышения конфиденциальности на лету в динамичных средах.

Размытие объектов с помощью примера YOLOv8

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))

# Blur ratio
blur_ratio = 50

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

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):
            annotator.box_label(box, color=colors(int(cls), True), label=names[int(cls)])

            obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]
            blur_obj = cv2.blur(obj, (blur_ratio, blur_ratio))

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

    cv2.imshow("ultralytics", im0)
    video_writer.write(im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

Аргументы model.predict

Имя Тип По умолчанию Описание
source str 'ultralytics/assets' исходный каталог для изображений или видео
conf float 0.25 порог доверия к объекту для обнаружения
iou float 0.7 Порог пересечения над объединением (IoU) для NMS
imgsz int or tuple 640 Размер изображения в виде скаляра или списка (h, w), то есть (640, 480)
half bool False Используй половинную точность (FP16)
device None or str None Устройство, на котором будет работать, например, cuda device=0/1/2/3 или device=cpu
max_det int 300 максимальное количество обнаружений на одно изображение
vid_stride bool False частота кадров видео
stream_buffer bool False Буферизируй все потоковые кадры (True) или возвращай самый последний кадр (False).
visualize bool False визуализируй особенности модели
augment bool False Применяй увеличение изображения для источников предсказаний
agnostic_nms bool False классово-диагностический NMS
classes list[int] None Фильтруй результаты по классам, то есть classes=0, или classes=[0,2,3]
retina_masks bool False используй маски для сегментации с высоким разрешением
embed list[int] None Возвращай векторы признаков/вкрапления из заданных слоев


Created 2024-01-09, Updated 2024-06-13
Authors: RizwanMunawar (1), glenn-jocher (5), IvorZhu331 (1), AyushExel (1)

Комментарии