Обрезка объектов с помощью Ultralytics YOLOv8

Что такое обрезка объектов?

Обрезка объектов с помощью Ultralytics YOLOv8 предполагает выделение и извлечение определенных обнаруженных объектов из изображения или видео. Возможности модели YOLOv8 используются для точной идентификации и очерчивания объектов, что позволяет точно обрезать их для дальнейшего анализа или манипуляций.

Смотри: Обрезка объектов с помощью Ultralytics YOLOv8

Преимущества обрезки объектов?

• Целенаправленный анализ: YOLOv8 облегчает целенаправленное обрезание объектов, позволяя углубленно изучать или обрабатывать отдельные предметы в сцене.
• Уменьшение объема данных: Извлекая только значимые объекты, обрезка объектов помогает минимизировать размер данных, делая их эффективными для хранения, передачи или последующих вычислительных задач.
• Повышенная точность: точность обнаружения объектов YOLOv8 гарантирует, что обрезанные объекты сохранят свои пространственные отношения, сохраняя целостность визуальной информации для детального анализа.

Визуалы

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

Аргументы model.predict

ВОПРОСЫ И ОТВЕТЫ

Что такое обрезка объектов в Ultralytics YOLOv8 и как она работает?

Обрезка объектов с помощью Ultralytics YOLOv8 заключается в выделении и извлечении определенных объектов из изображения или видео на основе возможностей YOLOv8 по обнаружению. Этот процесс позволяет сфокусировать анализ, уменьшить объем данных и повысить точность, используя YOLOv8 для высокоточного определения объектов и их обрезки. Чтобы получить подробное руководство, обратись к примеру обрезки объектов.

Почему мне стоит использовать Ultralytics YOLOv8 для обрезки объектов, а не другие решения?

Ultralytics YOLOv8 выделяется своей точностью, скоростью и простотой использования. Он позволяет детально и точно обнаруживать и обрезать объекты, что очень важно для целенаправленного анализа и приложений, требующих высокой целостности данных. Более того, YOLOv8 легко интегрируется с такими инструментами, как OpenVINO и TensorRT , для развертывания приложений, требующих возможностей реального времени и оптимизации на различном оборудовании. Ознакомься с преимуществами в руководстве по экспорту моделей.

Как уменьшить объем данных в наборе с помощью обрезки объектов?

Используя Ultralytics YOLOv8 для обрезки только значимых объектов из твоих изображений или видео, ты можешь значительно уменьшить размер данных, сделав их более эффективными для хранения и обработки. Этот процесс включает в себя обучение модели для обнаружения определенных объектов, а затем использование результатов для обрезки и сохранения только этих фрагментов. Чтобы узнать больше о том, как использовать возможности Ultralytics YOLOv8 , посети наше краткое руководство.

Могу ли я использовать Ultralytics YOLOv8 для анализа видео в реальном времени и обрезки объектов?

Да, Ultralytics YOLOv8 может обрабатывать видеопоток в реальном времени, чтобы динамически обнаруживать и обрезать объекты. Благодаря высокоскоростным возможностям умозаключений модель идеально подходит для таких приложений реального времени, как видеонаблюдение, спортивный анализ и автоматизированные инспекционные системы. Ознакомься с режимами отслеживания и предсказания, чтобы понять, как реализовать обработку в реальном времени.

Каковы требования к аппаратному обеспечению для эффективной работы YOLOv8 для обрезки объектов?

Ultralytics YOLOv8 оптимизирован для работы в средах CPU и GPU , но для достижения оптимальной производительности, особенно для выводов в реальном времени или в больших объемах, рекомендуется использовать специализированный GPU (например, NVIDIA Tesla, серия RTX). Для развертывания на легких устройствах рассмотри вариант использования CoreML для iOS или TFLite для Android. Более подробную информацию о поддерживаемых устройствах и форматах можно найти в разделе " Варианты развертывания моделей".

Комментарии