Перейти к содержанию

Обрезка объектов с использованием Ultralytics YOLO11

Что такое обрезка объектов?

Обрезка объектов с помощью Ultralytics YOLO11 включает в себя выделение и извлечение определенных обнаруженных объектов из изображения или видео. Возможности модели YOLO11 используются для точной идентификации и разграничения объектов, что позволяет точно обрезать их для дальнейшего анализа или обработки.



Смотреть: Обрезка объектов с использованием Ultralytics YOLO

Преимущества обрезки объектов

  • Целенаправленный анализ: YOLO11 облегчает целевое кадрирование объектов, позволяя проводить углубленное изучение или обработку отдельных элементов в сцене.
  • Уменьшенный объем данных: Извлекая только релевантные объекты, обрезка объектов помогает минимизировать размер данных, что делает его эффективным для хранения, передачи или последующих вычислительных задач.
  • Повышенная точность: Точность обнаружения объектов YOLO11 гарантирует, что вырезанные объекты сохраняют свои пространственные отношения, сохраняя целостность визуальной информации для детального анализа.

Визуальные материалы

Багаж в аэропорту
Обрезка чемоданов на конвейерной ленте в аэропорту с использованием Ultralytics YOLO11
Обнаружение чемоданов на ленте багажа в аэропорту с использованием Ultralytics YOLO11

Обрезка объектов с использованием Ultralytics YOLO

# Crop the objects
yolo solutions crop show=True

# Pass a source video
yolo solutions crop source="path/to/video.mp4"

# Crop specific classes
yolo solutions crop classes="[0, 2]"
import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Initialize object cropper object
cropper = solutions.ObjectCropper(
    show=True,  # display the output
    model="yolo11n.pt",  # model for object cropping i.e yolo11x.pt.
    classes=[0, 2],  # crop specific classes i.e. person and car with COCO pretrained model.
    # conf=0.5,  # adjust confidence threshold for the objects.
    # crop_dir="cropped-detections",  # set the directory name for cropped detections
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = cropper(im0)

    # print(results)  # access the output

cap.release()
cv2.destroyAllWindows()  # destroy all opened windows

ObjectCropper Аргументы

Вот таблица с ObjectCropper аргументы:

Аргумент Тип По умолчанию Описание
model str None Путь к файлу модели Ultralytics YOLO.
crop_dir str 'cropped-detections' Имя каталога для хранения обрезанных обнаружений.

Кроме того, доступны следующие аргументы визуализации:

Аргумент Тип По умолчанию Описание
show bool False Если True, отображает аннотированные изображения или видео в окне. Полезно для немедленной визуальной обратной связи во время разработки или тестирования.
line_width None or int None Указывает ширину линии ограничивающих рамок. Если None, ширина линии автоматически регулируется в зависимости от размера изображения. Обеспечивает визуальную настройку для большей четкости.

Часто задаваемые вопросы

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

Обрезка объектов с использованием Ultralytics YOLO11 включает в себя выделение и извлечение определенных объектов из изображения или видео на основе возможностей обнаружения YOLO11. Этот процесс позволяет проводить целенаправленный анализ, уменьшить объем данных и повысить точность за счет использования YOLO11 для идентификации объектов с высокой точностью и их соответствующей обрезки. Для получения подробного руководства обратитесь к примеру обрезки объектов.

Почему мне следует использовать Ultralytics YOLO11 для обрезки объектов вместо других решений?

Ultralytics YOLO11 выделяется благодаря своей точности, скорости и простоте использования. Он обеспечивает детальное и точное обнаружение и обрезку объектов, что необходимо для целенаправленного анализа и приложений, требующих высокой целостности данных. Кроме того, YOLO11 легко интегрируется с такими инструментами, как OpenVINO и TensorRT, для развертываний, требующих возможностей реального времени и оптимизации на различном оборудовании. Изучите преимущества в руководстве по экспорту моделей.

Как я могу уменьшить объем данных моего набора данных с помощью обрезки объектов?

Используя Ultralytics YOLO11 для обрезки только релевантных объектов с ваших изображений или видео, вы можете значительно уменьшить размер данных, что делает их более эффективными для хранения и обработки. Этот процесс включает в себя обучение модели обнаружению определенных объектов, а затем использование результатов для обрезки и сохранения только этих частей. Для получения дополнительной информации об использовании возможностей Ultralytics YOLO11 посетите наше руководство по быстрому старту.

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

Да, Ultralytics YOLO11 может обрабатывать видеопотоки в реальном времени для динамического обнаружения и обрезки объектов. Высокоскоростные возможности логического вывода модели делают ее идеальной для приложений реального времени, таких как наблюдение, спортивный анализ и автоматизированные системы контроля. Ознакомьтесь с отслеживанием и режимами прогнозирования, чтобы понять, как реализовать обработку в реальном времени.

Каковы требования к аппаратному обеспечению для эффективного запуска YOLO11 для обрезки объектов?

Ultralytics YOLO11 оптимизирован как для сред CPU, так и для GPU, но для достижения оптимальной производительности, особенно для логического вывода в реальном времени или больших объемах, рекомендуется использовать выделенный GPU (например, NVIDIA Tesla, серия RTX). Для развертывания на легких устройствах рассмотрите возможность использования CoreML для iOS или TFLite для Android. Более подробную информацию о поддерживаемых устройствах и форматах можно найти в наших вариантах развертывания моделей.



📅 Создано 1 год назад ✏️ Обновлено 3 месяца назад

Комментарии