Ultralytics YOLO11 Kullanarak Nesne Kırpma
Nesne Kırpma nedir?
Ultralytics YOLO11 ile nesne kırpma, bir resim veya videodan belirli tespit edilmiş nesneleri izole etmeyi ve çıkarmayı içerir. YOLO11 model yetenekleri, daha fazla analiz veya manipülasyon için hassas kırpmayı sağlayarak nesneleri doğru bir şekilde tanımlamak ve sınırlandırmak için kullanılır.
İzle: Ultralytics YOLO Kullanarak Nesne Kırpma
Nesne Kırpmanın Avantajları
- Odaklı Analiz: YOLO11, hedeflenen nesne kırpmasına olanak tanıyarak bir sahne içindeki tek tek öğelerin derinlemesine incelenmesini veya işlenmesini sağlar.
- Azaltılmış Veri Hacmi: Nesne kırpma, yalnızca ilgili nesneleri çıkararak veri boyutunu en aza indirmeye yardımcı olur ve bu da depolama, iletim veya sonraki hesaplama görevleri için verimli olmasını sağlar.
- Geliştirilmiş Hassasiyet: YOLO11'in nesnealgılama hassasiyeti, kırpılan nesnelerin uzamsal ilişkilerini korumasını sağlayarak ayrıntılı analiz için görsel bilgilerin bütünlüğünü korur.
Görseller
| Havaalanı Bagajı |
|---|
 |
| Ultralytics YOLO11 kullanılarak havaalanı taşıma bandında valizlerin kırpılması |
Ultralytics YOLO Kullanarak Nesne Kırpma
# 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
cropper = solutions.ObjectCropper(
show=True, # display the output
model="yolo11n.pt", # model for object cropping, e.g., yolo11x.pt.
classes=[0, 2], # crop specific classes such as person and car with the 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
İsteğe bağlı olarak crop_dir argümanı kullanıldığında, kırpılan her nesne, kaynak görüntü adını ve sınıfını içeren dosya adlarıyla bu klasöre yazılır. Bu, ekstra kod yazmadan tespitleri incelemeyi veya aşağı akış veri kümeleri oluşturmayı kolaylaştırır.
ObjectCropper Argümanlar
İşte şunları içeren bir tablo: ObjectCropper argümanlar:
| Argüman | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Ultralytics YOLO model dosyasına giden yol. |
crop_dir | str | 'cropped-detections' | Kırpılmış algılamaların saklanacağı dizin adı. |
Ayrıca, aşağıdaki görselleştirme argümanları kullanıma sunulmuştur:
| Argüman | Tür | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | Eğer True, ek açıklamalı görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim için kullanışlıdır. |
line_width | None or int | None | Sınırlayıcı kutuların çizgi genişliğini belirtir. Eğer None, çizgi genişliği, görüntü boyutuna göre otomatik olarak ayarlanır. Netlik için görsel özelleştirme sağlar. |
SSS
Ultralytics YOLO11'de nesne kırpma nedir ve nasıl çalışır?
Ultralytics YOLO11 kullanarak nesne kırpma, YOLO11'in algılama yeteneklerine bağlı olarak bir resim veya videodan belirli nesneleri izole etmeyi ve çıkarmayı içerir. Bu işlem, YOLO11'i yüksek doğrulukla nesneleri tanımlamak ve buna göre kırpmak için kullanarak odaklı analize, azaltılmış veri hacmine ve gelişmiş hassasiyete olanak tanır. Ayrıntılı bir eğitim için nesne kırpma örneğine bakın.
Nesne kırpma için neden Ultralytics YOLO11'i diğer çözümlere tercih etmeliyim?
Ultralytics YOLO11, hassasiyeti, hızı ve kullanım kolaylığı sayesinde öne çıkar. Odaklanmış analiz ve yüksek veri bütünlüğüne ihtiyaç duyan uygulamalar için gerekli olan ayrıntılı ve doğru nesne algılama ve kırpma olanağı sağlar. Dahası, YOLO11, gerçek zamanlı yetenekler ve çeşitli donanımlarda optimizasyon gerektiren dağıtımlar için OpenVINO ve TensorRT gibi araçlarla sorunsuz bir şekilde entegre olur. Model dışa aktarma kılavuzunda faydalarını keşfedin.
Nesne kırpma kullanarak veri setimin veri hacmini nasıl azaltabilirim?
Ultralytics YOLO11'i kullanarak resimlerinizden veya videolarınızdan yalnızca ilgili nesneleri kırparak, veri boyutunu önemli ölçüde azaltabilir, bu da depolama ve işleme için daha verimli hale getirir. Bu işlem, modeli belirli nesneleri algılamak üzere eğitmek ve ardından sonuçları kullanarak yalnızca bu bölümleri kırpıp kaydetmeyi içerir. Ultralytics YOLO11'in yeteneklerinden yararlanma hakkında daha fazla bilgi için hızlı başlangıç kılavuzumuzu ziyaret edin.
Ultralytics YOLO11'i gerçek zamanlı video analizi ve nesne kırpma için kullanabilir miyim?
Evet, Ultralytics YOLO11, nesneleri dinamik olarak algılamak ve kırpmak için gerçek zamanlı video akışlarını işleyebilir. Modelin yüksek hızlı çıkarım yetenekleri, gözetim, spor analizi ve otomatik denetim sistemleri gibi gerçek zamanlı uygulamalar için idealdir. Gerçek zamanlı işlemeyi nasıl uygulayacağınızı anlamak için izleme ve tahmin modlarına göz atın.
Nesne kırpma için YOLO11'i verimli bir şekilde çalıştırmak için gereken donanım gereksinimleri nelerdir?
Ultralytics YOLO11 hem CPU hem de GPU ortamları için optimize edilmiştir, ancak özellikle gerçek zamanlı veya yüksek hacimli çıkarım için optimum performansı elde etmek için özel bir GPU (örneğin, NVIDIA Tesla, RTX serisi) önerilir. Hafif cihazlarda dağıtım için, iOS için CoreML veya Android için TFLite kullanmayı düşünün. Desteklenen cihazlar ve formatlar hakkında daha fazla ayrıntı model dağıtım seçeneklerimizde bulunabilir.
