Ultralytics YOLO27：
Get Started

使用 Ultralytics YOLO26 模糊目标#

什么是目标模糊处理？#

使用 Ultralytics YOLO26进行目标模糊处理，是指对图像或视频中检测到的特定目标应用模糊效果。借助 YOLO26 模型识别并处理给定场景中的目标，即可实现这一操作。



观看： 如何使用 Ultralytics Platform 训练人脸检测模型并模糊人脸 | Ultralytics YOLO26 🚀

目标模糊处理的优势#

  • 隐私保护：目标模糊处理能够遮挡图像或视频中的敏感信息或个人身份信息，是保护隐私的有效工具。
  • 选择性聚焦：YOLO26 支持选择性模糊处理，让用户针对特定目标进行处理，在保护隐私的同时保留相关视觉信息。
  • 实时处理：YOLO26 的高效性支持实时模糊目标，适用于需要在动态环境中即时增强隐私保护的应用。
  • 合规性：通过对视觉内容中的身份信息进行匿名化处理，帮助组织遵守 GDPR 等数据保护法规。
  • 内容审核：可用于模糊媒体平台上的不当或敏感内容，同时保留整体上下文。

使用 YOLO26 模糊目标#

将视频传入 ObjectBlurrer solution 后，它会检测每一帧中的目标，并对每个检测框应用均值（框）模糊。使用 blur_ratio（0.1–1.0）控制模糊强度，并将模糊处理限制为特定的 classes——例如，只处理人和汽车。

使用 Ultralytics YOLO 进行目标模糊处理
# 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 参数#

下面是 ObjectBlurrer 参数表：

参数类型默认值说明
modelstrNoneUltralytics YOLO 模型文件的路径。
blur_ratiofloat0.5调整模糊强度百分比，取值范围为 0.1 - 1.0。
line_widthint2解决方案绘制的框、关键点和计数的线条粗细。
verboseboolTrue启用逐帧日志，记录输入形状、类别计数和处理速度。跟踪调用本身始终不会输出日志。

ObjectBlurrer solution 还支持多种 track 参数：

参数类型默认值说明
trackerstr'tracktrack.yaml'指定要使用的跟踪算法。内置选项：botsort.yaml、bytetrack.yaml、ocsort.yaml、deepocsort.yaml、fasttrack.yaml、tracktrack.yaml。
conffloat0.25设置检测的置信度阈值；较低的值允许跟踪更多物体，但可能会包含误检。
ioufloat0.7设置用于筛除重叠检测结果的交并比 (IoU) 阈值。
classeslistNone按类别索引筛选结果。例如，classes=[0, 2, 3] 只跟踪指定类别。
devicestrNone指定推理设备（例如 cpu、cuda:0 或 0）。用户可以选择 CPU、特定 GPU 或其他计算设备来运行模型。
imgszint or tuple640目标推理图像尺寸：正方形图像使用整数，或使用 (height, width) 对。图像尺寸会调整为模型步幅的整数倍。
max_detint300跟踪前每帧保留的最大检测数量，用于限制解决方案在密集场景中处理的物体数量。
quantizeint or strNone推理精度：对于非 CPU 上运行的 PyTorch 和 TorchScript 模型，使用 16 (FP16) 或 32/unset (FP32) 进行选择；其他格式使用其模型文件和运行时所选的精度。此参数替代已弃用的 half 参数。

此外，还可以使用以下可视化参数：

参数类型默认值说明
showboolFalse如果 True，则在窗口中显示带标注的图像或视频。适用于在开发或测试期间即时查看结果。
show_confboolTrue在每个检测结果的标签旁显示置信度分数，帮助了解模型对该检测结果的确信程度。
show_labelsboolTrue在可视化输出中显示每个检测结果的标签，便于立即了解检测到的对象。

实际应用#

监控中的隐私保护#

安全摄像头和监控系统可以使用 YOLO26 自动模糊人脸、车牌或其他身份信息，同时继续记录重要活动。这有助于在维护安全的同时，尊重公共场所中的隐私权。

医疗数据匿名化#

在医学影像中，扫描图像或照片中经常会出现患者信息。YOLO26 可以检测并模糊这些信息，从而在出于研究或教育目的分享医疗数据时，帮助你遵守 HIPAA 等法规。

文档涂黑#

分享包含敏感信息的文档时，YOLO26 可以自动检测并模糊签名、账号或个人详细信息等特定元素，从而简化涂黑流程，同时保持文档完整性。

媒体与内容创作#

内容创作者可以使用 YOLO26 模糊视频和图像中的品牌徽标、受版权保护的材料或不当内容，在保留整体内容质量的同时避免法律问题。

常见问题#

  • 使用 Ultralytics YOLO26进行目标模糊处理，是指自动检测图像或视频中的特定目标并应用模糊效果。这项技术通过遮挡敏感信息、保留相关视觉数据来增强隐私保护。YOLO26 的实时处理能力使其适用于需要即时隐私保护和选择性调整焦点的应用。

  • 使用上面的 Python 示例，通过 YOLO26 进行目标检测，并对每一帧中的每个检测目标进行模糊处理。设置 blur_ratio（例如，设置为 0.5 可实现 50% 的模糊强度）来控制效果，并传入 classes，仅模糊特定类型的目标。

  • Ultralytics YOLO26 在目标模糊处理方面有多项优势：

    • 隐私保护：有效遮挡敏感或可识别的信息。
    • 选择性聚焦：针对特定目标进行模糊处理，同时保留重要视觉内容。
    • 实时处理：在动态环境中高效执行目标模糊处理，适用于即时隐私增强。
    • 强度可调：调整模糊比例，在隐私需求与视觉上下文之间取得平衡。
    • 按类别模糊：只模糊某些类型的目标，同时让其他目标保持可见。

    如需了解更详细的应用，请查看目标模糊处理的优势部分。

  • 可以，你可以配置 Ultralytics YOLO26 来检测并模糊视频中的人脸，以保护隐私。通过训练或使用专门识别人脸的预训练模型，你可以使用 OpenCV处理检测结果并应用模糊效果。请参阅我们的 YOLO26 目标检测指南，并修改代码以检测人脸。

  • 在速度方面，Ultralytics YOLO26 通常优于 Faster R-CNN 等模型，因此更适合实时应用。两种模型都能实现准确检测，但 YOLO26 的架构针对快速推理进行了优化，这对于实时目标模糊处理等任务至关重要。如需了解技术差异和性能指标，请参阅我们的 YOLO26 文档。

贡献者
GLglenn-jocher14RIRizwanMunawar7RAraimbekovm5MAMatthewNoyce2PDpderrenger1IVIvorZhu3311AYAyushExel1

评论