Обрезка объектов с помощью Ultralytics YOLO11

Что такое обрезка объектов?

Обрезка объектов с помощью Ultralytics YOLO11 заключается в выделении и извлечении определенных обнаруженных объектов из изображения или видео. Возможности модели YOLO11 используются для точной идентификации и очерчивания объектов, что позволяет точно обрезать их для дальнейшего анализа или манипулирования.

Смотреть: Обрезка объектов с помощью Ultralytics YOLO

Преимущества обрезки объектов?

• Целенаправленный анализ: YOLO11 облегчает целенаправленное обрезание объектов, позволяя углубленно изучать или обрабатывать отдельные элементы сцены.
• Сокращение объема данных: Благодаря извлечению только значимых объектов, обрезка объектов помогает минимизировать размер данных, что делает их эффективными для хранения, передачи или последующих вычислительных задач.
• Повышенная точность: точность обнаружения объектов на сайте YOLO11 гарантирует, что обрезанные объекты сохранят свои пространственные отношения, сохраняя целостность визуальной информации для детального анализа.

Визуальные средства

Багаж в аэропорту
Обрезка чемоданов на конвейерной ленте в аэропорту с использованием 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()

Аргументы model.predict

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое обрезка объектов в Ultralytics YOLO11 и как она работает?

Обрезка объектов с помощью Ultralytics YOLO11 заключается в выделении и извлечении определенных объектов из изображения или видео на основе возможностей обнаружения YOLO11. Этот процесс позволяет сфокусировать анализ, уменьшить объем данных и повысить точность, используя YOLO11 для высокоточной идентификации объектов и их соответствующего обрезания. Для получения подробного руководства см. пример обрезки объектов.

Почему стоит использовать Ultralytics YOLO11 для обрезки объектов, а не другие решения?

Ultralytics YOLO11 отличается точностью, скоростью и простотой использования. Он позволяет детально и точно обнаруживать и обрезать объекты, что важно для целенаправленного анализа и приложений, требующих высокой целостности данных. Кроме того, YOLO11 легко интегрируется с такими инструментами, как OpenVINO и TensorRT , для развертывания приложений, требующих возможностей реального времени и оптимизации на различном оборудовании. Ознакомьтесь с преимуществами в руководстве по экспорту моделей.

Как уменьшить объем данных в наборе данных с помощью обрезки объектов?

Используя Ultralytics YOLO11 для обрезки только значимых объектов на изображениях или видео, вы можете значительно уменьшить размер данных, сделав их более эффективными для хранения и обработки. Этот процесс включает в себя обучение модели обнаружению определенных объектов, а затем использование полученных результатов для обрезки и сохранения только этих фрагментов. Для получения дополнительной информации об использовании возможностей Ultralytics YOLO11 посетите наше краткое руководство.

Можно ли использовать Ultralytics YOLO11 для анализа видео в реальном времени и обрезки объектов?

Да, Ultralytics YOLO11 может обрабатывать видеопоток в реальном времени для динамического обнаружения и обрезки объектов. Высокоскоростной вывод модели делает ее идеальной для приложений реального времени, таких как видеонаблюдение, спортивный анализ и автоматизированные инспекционные системы. Ознакомьтесь с режимами отслеживания и прогнозирования, чтобы понять, как реализовать обработку в реальном времени.

Каковы требования к аппаратному обеспечению для эффективной работы YOLO11 для обрезки объектов?

Ultralytics YOLO11 оптимизирован для работы в средах CPU и GPU , но для достижения оптимальной производительности, особенно в режиме реального времени или при больших объемах выводов, рекомендуется использовать специализированный GPU (например, NVIDIA Tesla, серия RTX). Для развертывания на легких устройствах можно использовать CoreML для iOS или TFLite для Android. Более подробную информацию о поддерживаемых устройствах и форматах можно найти в разделе "Варианты развертывания моделей".

📅 Создано 10 месяцев назад ✏️ Обновлено 1 месяц назад

Комментарии