Ultralytics YOLO26 ile Nesne Bulanıklaştırma#
Nesne Bulanıklaştırma Nedir?#
Ultralytics YOLO26 ile nesne bulanıklaştırma, görüntü veya videoda algılanan belirli nesnelere bulanıklaştırma efekti uygulamayı içerir. Bu işlem, YOLO26 modelinin belirli bir sahnedeki nesneleri tanıma ve işleme yetenekleriyle gerçekleştirilebilir.
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 tanımlayabilecek bilgileri gizleyerek gizliliği korumada etkili bir araçtır.
- 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 ve bu özelliği dinamik ortamlarda anlık gizlilik iyileştirmesi gerektiren uygulamalara uygun hâle getirir.
- 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 | 0.7 | 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: PyTorch ve TorchScript modellerinde 16 (FP16) veya 32/ayarlanmamış (FP32); diğer biçimlerde hesaplama, yapıtın ve çalışma zamanının seçtiği hassasiyetle yapılır. Kullanımdan kaldırılan half bayrağının yerine geçer. |
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 öğeleri otomatik olarak algılayıp bulanıklaştırabilir. Böylece belge bütünlüğünü korurken hassas bilgileri gizleme süreci kolaylaşır.
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, gizliliği korumak için Ultralytics YOLO26 videolardaki yüzleri algılayıp bulanıklaştıracak şekilde yapılandırılabilir. Yüzleri tanımak için özel olarak eğitilmiş veya önceden eğitilmiş bir model kullanarak ya da böyle bir model eğiterek, algılama sonuçları bulanıklaştırma efekti uygulamak üzere OpenCV ile işlenebilir. YOLO26 ile nesne algılama kılavuzumuza bak ve kodu yüz algılamayı hedefleyecek şekilde değiştir.
Ultralytics YOLO26 genellikle hız bakımından Faster R-CNN gibi modellerden daha iyi performans gösterir ve bu da onu gerçek zamanlı uygulamalar için daha uygun hâle getirir. Her iki model de doğru algılama sunsa da YOLO26'nın mimarisi, gerçek zamanlı nesne bulanıklaştırma gibi görevler için kritik olan hızlı çıkarım amacıyla optimize edilmiştir. Teknik farklılıklar ve performans ölçümleri hakkında YOLO26 belgelerimizden daha fazla bilgi edin.