Ultralytics YOLO26 ile Nesne Bulanıklaştırma
Nesne Bulanıklaştırma Nedir?#
Ultralytics YOLO26 ile nesne bulanıklaştırma, görüntü veya videodaki belirli algılanmış nesnelere bulanıklaştırma efekti uygulamayı içerir. YOLO26 her karedeki nesnelerin yerini belirler ve bulanıklık yalnızca algılanan bölgelere uygulanır.
İzle: Ultralytics Platformunu Kullanarak Yüz Algılama Modeli Nasıl Eğitilir ve Yüzler Nasıl Bulanıklaştırılır | Ultralytics YOLO26 🚀
Nesne Bulanıklaştırmanın Avantajları#
- Gizliliğin Korunması: Nesne bulanıklaştırma, görüntü veya videolardaki hassas ya da kişiyi tanımlayabilir bilgileri gizleyerek gizliliği korumanın etkili bir yoludur.
- Seçici Odaklama: YOLO26 seçici bulanıklaştırmaya olanak tanıyarak belirli nesneleri hedeflemeyi ve gizlilik ile ilgili görsel bilgilerin korunması arasında denge kurmayı sağlar.
- Gerçek Zamanlı İşleme: YOLO26'nın verimliliği, nesnelerin gerçek zamanlı bulanıklaştırılmasını sağlar. Bu özellik, dinamik ortamlarda gizliliği anında iyileştirmeyi gerektiren uygulamalar için uygundur.
- Mevzuata Uygunluk: Görsel içerikte kişiyi tanımlayabilecek bilgileri anonimleştirerek kuruluşların GDPR gibi veri koruma düzenlemelerine uymasına yardımcı olur.
- İçerik Denetimi: Genel bağlamı korurken medya platformlarındaki uygunsuz veya hassas içerikleri bulanıklaştırmak için kullanışlıdır.
YOLO26 ile Nesneleri Bulanıklaştır#
Videonu ObjectBlurrer çözümüne aktar; çözüm her karedeki nesneleri algılar ve her algılamaya ortalama (kutu) bulanıklaştırması uygular. Etki gücünü blur_ratio (0.1–1.0) ile ayarla ve bulanıklaştırmayı belirli classes ile sınırla; örneğin yalnızca insanları ve arabaları bulanıklaştır.
# 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]"ObjectBlurrer Bağımsız Değişkenleri#
Aşağıda ObjectBlurrer bağımsız değişkenlerini içeren bir tablo bulabilirsin:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Ultralytics YOLO model dosyasının yolu. |
blur_ratio | float | 0.5 | Bulanıklık yoğunluğu yüzdesini 0.1 - 1.0 aralığındaki değerlere göre ayarlar. |
line_width | int | 2 | Çözümün çizdiği kutular, anahtar noktalar ve sayılar için çizgi kalınlığı. |
verbose | bool | True | Çözümün her kare için girdi şekli, sınıf sayıları ve işleme hızına ilişkin günlüğünü etkinleştirir. İzleme çağrısının kendisi her zaman sessizdir. |
ObjectBlurrer çözümü ayrıca çeşitli track bağımsız değişkenlerini destekler:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Kullanılacak izleme algoritmasını belirtir. Yerleşik seçenekler: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Algılamalar için güven eşiğini belirler; düşük değerler daha fazla nesnenin izlenmesine olanak tanır ancak yanlış pozitifleri de içerebilir. |
iou | float | 0.5 | Çakışan algılamaları filtrelemek için Kesişim-Birleşim Oranı (IoU) eşiğini belirler. |
classes | list | None | Sonuçları sınıf dizinine göre filtreler. Örneğin, classes=[0, 2, 3] yalnızca belirtilen sınıfları izler. |
device | str | None | Çıkarım için kullanılacak cihazı belirtir (ör. cpu, cuda:0 veya 0). Kullanıcıların model yürütme için CPU, belirli bir GPU veya başka hesaplama cihazları arasında seçim yapmasına olanak tanır. |
imgsz | int or tuple | 640 | Hedef çıkarım görüntü boyutu: kare görüntüler için bir tam sayı veya bir (height, width) çifti. Boyutlar model adım değerine göre ayarlanır. |
max_det | int | 300 | Yoğun sahnelerde bir çözümün işleyeceği nesne sayısını sınırlamak için izleme öncesinde kare başına tutulan en yüksek algılama sayısı. |
quantize | int or str | None | Çıkarım hassasiyeti: CPU dışında PyTorch ve TorchScript modelleri için 16 (FP16) veya 32/unset (FP32); diğer biçimler, model yapıtının ve çalışma zamanının seçtiği hassasiyeti kullanır. Kullanımdan kaldırılan half argümanının yerini alır. |
Ayrıca aşağıdaki görselleştirme bağımsız değişkenleri kullanılabilir:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | True ise açıklama eklenmiş görüntüleri veya videoları bir pencerede gösterir. Geliştirme veya test sırasında anında görsel geri bildirim almak için kullanışlıdır. |
show_conf | bool | True | Her algılamanın güven puanını etiketinin yanında gösterir. Modelin her algılamaya ne kadar güvendiğini görmeni sağlar. |
show_labels | bool | True | Görsel çıktıda her algılama için etiketleri gösterir. Algılanan nesnelerin hemen anlaşılmasını sağlar. |
Gerçek Dünya Uygulamaları#
Gözetimde Gizliliğin Korunması#
Güvenlik kameraları ve gözetim sistemleri, önemli etkinlikleri kaydetmeye devam ederken yüzleri, araç plakalarını veya kimlik belirleyici diğer bilgileri otomatik olarak bulanıklaştırmak için YOLO26'yı kullanabilir. Bu, kamusal alanlardaki gizlilik haklarına saygı gösterirken güvenliğin korunmasına yardımcı olur.
Sağlık Verilerinin Anonimleştirilmesi#
Tıbbi görüntülerde hasta bilgileri genellikle taramalarda veya fotoğraflarda yer alır. YOLO26, tıbbi veriler araştırma veya eğitim amacıyla paylaşılırken HIPAA gibi düzenlemelere uyum sağlamak için bu bilgileri algılayıp bulanıklaştırabilir.
Belgelerde Hassas Bilgileri Gizleme#
Hassas bilgiler içeren belgeleri paylaşırken YOLO26, imzalar, hesap numaraları veya kişisel bilgiler gibi belirli unsurları otomatik olarak algılayıp bulanıklaştırabilir; böylece belgenin bütünlüğünü korurken sansürleme sürecini kolaylaştırır.
Medya ve İçerik Oluşturma#
İçerik oluşturucular, genel içerik kalitesini koruyarak yasal sorunlardan kaçınmaya yardımcı olmak için videolardaki ve görsellerdeki marka logolarını, telif hakkıyla korunan materyalleri veya uygunsuz içerikleri YOLO26 ile bulanıklaştırabilir.
Sık Sorulan Sorular#
Ultralytics YOLO26 ile nesne bulanıklaştırma, görüntü veya videolardaki belirli nesneleri otomatik olarak algılayıp bulanıklaştırma efekti uygulamayı içerir. Bu teknik, ilgili görsel verileri korurken hassas bilgileri gizleyerek gizliliği artırır. YOLO26'nın gerçek zamanlı işleme yetenekleri, anında gizlilik koruması ve seçici odak ayarlamaları gerektiren uygulamalar için uygundur.
Her karede YOLO26 nesne algılaması çalıştırıp her algılamayı bulanıklaştıran yukarıdaki Python örneğini kullan. Etkiyi denetlemek için
blur_ratiodeğerini ayarla (örneğin, %50 bulanıklık yoğunluğu için0.5) ve yalnızca belirli nesne türlerini bulanıklaştırmak içinclassesdeğerini aktar.Ultralytics YOLO26, nesne bulanıklaştırma için çeşitli avantajlar sunar:
- Gizliliğin Korunması: Hassas veya kimlik belirleyici bilgileri etkili biçimde gizler.
- Seçici Odaklama: Temel görsel içeriği koruyarak bulanıklaştırılacak belirli nesneleri hedefler.
- Gerçek Zamanlı İşleme: Dinamik ortamlarda nesneleri verimli biçimde bulanıklaştırır ve anlık gizlilik iyileştirmeleri için uygundur.
- Ayarlanabilir Yoğunluk: Gizlilik gereksinimleriyle görsel bağlam arasında denge kurmak için bulanıklık oranını ayarla.
- Sınıfa Özgü Bulanıklaştırma: Diğer nesneleri görünür bırakırken yalnızca belirli nesne türlerini bulanıklaştır.
Daha ayrıntılı uygulamalar için nesne bulanıklaştırmanın avantajları bölümüne bak.
Evet. Örneğin WIDER FACE veri kümesi üzerinde yüzler için bir YOLO26 algılama modeli eğit veya ince ayar yap, ardından eğitilmiş ağırlıkları
ObjectBlurrerbileşeninemodelbağımsız değişkeniyle aktar. Daha sonra algılanan her yüz OpenCV ile bulanıklaştırılır. Kod yazmadan tüm veri kümesindeki yüzleri bulanıklaştırmak için Ultralytics Platform'da Yüzleri Bulanıklaştır özelliğini kullan.Ultralytics YOLO26, genellikle Faster R-CNN gibi iki aşamalı dedektörlerden daha hızlıdır ve bu da onu gerçek zamanlı uygulamalar için daha uygun kılar. Her iki model de doğru tespit sunarken, YOLO26 mimarisi, gerçek zamanlı nesne bulanıklaştırma gibi görevler için kritik olan hızlı çıkarım amacıyla optimize edilmiştir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.