Ultralytics YOLO27：
Get Started

使用 Ultralytics YOLO26 裁剪目标#

什么是目标裁剪？#

使用 Ultralytics YOLO26 进行目标裁剪，就是从图像或视频中分离并提取特定的检测目标。YOLO26 模型可准确识别并描绘目标，从而实现精确裁剪，以便进一步分析或处理。



观看： 使用 Ultralytics YOLO 裁剪目标

目标裁剪的优势#

  • 聚焦分析：YOLO26 支持针对性地裁剪目标，便于对场景中的单个对象进行深入检查或处理。
  • 减少数据量：只提取相关目标有助于缩小数据体积，从而提高存储、传输或后续计算任务的效率。
  • 提高精度：YOLO26 的目标检测准确率可确保裁剪出的目标保留其空间关系，从而在详细分析时保持视觉信息的完整性。

可视化效果#

机场行李
使用 Ultralytics YOLO26 裁剪机场传送带上的行李箱
使用 Ultralytics YOLO26 裁剪机场传送带上的行李箱

使用 YOLO26 裁剪目标#

将视频传入 ObjectCropper 解决方案后，它会逐帧检测目标，并将每个检测结果保存为单独的图像。将裁剪范围限制为特定的 classes，调高 conf 以仅保留置信度高的检测结果，并设置 crop_dir 以选择裁剪图像的保存位置。

使用 Ultralytics YOLO 裁剪目标
# Crop the objects
yolo solutions crop

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

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

ObjectCropper 参数#

下面是 ObjectCropper 参数表：

参数类型默认值说明
modelstrNoneUltralytics YOLO 模型文件的路径。
crop_dirstr'cropped-detections'用于存储裁剪后检测结果的目录名称。
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。

ObjectCropper 运行的是 predict，而不是 track，因此支持以下推理参数，但 tracker 除外：

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。

常见问题#

  • 使用 Ultralytics YOLO26 进行目标裁剪，就是利用 YOLO26 的检测能力从图像或视频中分离并提取特定目标。通过 YOLO26 高精度地识别目标并相应地进行裁剪，这一过程可实现聚焦分析、减少数据量并提高精度。如需深入了解，请参阅目标裁剪示例。

  • Ultralytics YOLO26 以精度高、速度快、易于使用而脱颖而出。它支持细致、准确的目标检测与裁剪，这对于聚焦分析和要求数据完整性高的应用至关重要。此外，YOLO26 可与 OpenVINO 和 TensorRT 等工具无缝集成，适用于需要实时能力并在多种硬件上进行优化的部署。请参阅模型导出指南，了解相关优势。

  • 使用 Ultralytics YOLO26 仅裁剪图像或视频中的相关目标，可显著缩小数据体积，让存储和处理更加高效。此过程包括训练模型检测特定目标，然后利用检测结果仅裁剪并保存这些部分。如需进一步了解如何发挥 Ultralytics YOLO26 的功能，请参阅我们的快速入门指南。

  • 可以，Ultralytics YOLO26 可以处理实时视频流，动态检测并裁剪目标。模型的高速推理能力使其非常适合监控、体育分析和自动化检测系统等实时应用。请查看跟踪和预测模式，了解如何实现实时处理。

  • Ultralytics YOLO26 针对 CPU 和 GPU 环境进行了优化，但要获得最佳性能，尤其是在实时或高吞吐量推理场景中，建议使用独立 GPU（例如 NVIDIA Tesla、RTX 系列）。要部署到轻量级设备，可考虑在 iOS 上使用 CoreML，或在 Android 上使用 LiteRT。有关支持的设备和格式的更多详情，请参阅我们的模型部署选项。

贡献者
GLglenn-jocher17RIRizwanMunawar7RAraimbekovm3MAMatthewNoyce2AMambitious-octopus1IVIvorZhu3311AYAyushExel1

评论