跳转至内容

使用 Ultralytics YOLO11 进行目标裁剪

什么是对象裁剪？

使用 Ultralytics YOLO11 进行目标裁剪包括从图像或视频中隔离和提取特定的检测到的目标。YOLO11 模型的功能用于准确识别和描绘目标，从而实现精确裁剪，以进行进一步的分析或操作。



观看： 使用 Ultralytics YOLO 进行目标裁剪

对象裁剪的优势

  • 专注分析：YOLO11 有助于有针对性的目标裁剪，从而可以对场景中的单个项目进行深入检查或处理。
  • 减少数据量：通过仅提取相关目标，目标裁剪有助于最大限度地减少数据大小，从而提高存储、传输或后续计算任务的效率。
  • 增强精度：YOLO11 的物体检测精度可确保裁剪后的物体保持空间关系，为详细分析保留完整的视觉信息。

视觉效果

机场行李
使用 Ultralytics YOLO11 在机场传送带上裁剪行李箱
使用 Ultralytics YOLO11 在机场传送带上裁剪手提箱

使用 Ultralytics YOLO 进行目标裁剪

# 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

当您提供可选的 crop_dir 参数，每个裁剪对象都会被写入该文件夹，文件名包括源图像名称和类别。这样就可以轻松检查检测结果或构建下游数据集，而无需编写额外的代码。

ObjectCropper 参数

这是一个包含以下内容的表格 ObjectCropper 参数：

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

此外，以下可视化参数可供使用：

参数类型默认值描述
showboolFalse可视化参数： True，则在窗口中显示带注释的图像或视频。这对于开发或测试期间的即时视觉反馈非常有用。
line_widthNone or intNone指定边界框的线条宽度。 如果 None，则线条宽度会根据图像大小自动调整。 提供视觉自定义以提高清晰度。

常见问题

Ultralytics YOLO11 中的目标裁剪是什么，它是如何工作的？

使用 Ultralytics YOLO11 进行目标裁剪包括基于 YOLO11 的检测能力从图像或视频中隔离和提取特定目标。此过程允许通过利用 YOLO11 以高精度识别目标并相应地裁剪它们，从而实现专注分析、减少数据量和增强精度。有关深入的教程，请参阅目标裁剪示例。

为什么我应该使用 Ultralytics YOLO11 进行目标裁剪，而不是其他解决方案？

Ultralytics YOLO11 以其精度、速度和易用性而著称。它允许详细而准确的对象检测和裁剪，这对于重点分析和需要高数据完整性的应用至关重要。此外，YOLO11 与 OpenVINO 和 TensorRT 等工具无缝集成，适用于需要实时功能和在各种硬件上进行优化的部署。请在模型导出指南中了解其优势。

如何使用目标裁剪来减少数据集的数据量？

使用Ultralytics YOLO11 只对图像或视频中的相关对象进行裁剪，可以大大减少数据量，提高存储和处理效率。这一过程包括训练模型来detect 特定对象，然后利用detect 结果只裁剪和保存这些部分。欲了解更多有关Ultralytics YOLO11 功能的信息，请访问我们的快速入门指南。

我可以使用 Ultralytics YOLO11 进行实时视频分析和目标裁剪吗？

是的，Ultralytics YOLO11 可以处理实时视频馈送，动态detect 和裁剪物体。该模型的高速推理能力使其成为监控、体育分析和自动检测系统等实时应用的理想选择。查看跟踪和预测模式，了解如何实现实时处理。

高效运行 YOLO11 进行目标裁剪的硬件要求是什么？

Ultralytics YOLO11 已针对CPU 和GPU 环境进行了优化，但要获得最佳性能，尤其是实时或大容量推理，建议使用专用GPU （如NVIDIA 特斯拉、RTX 系列）。如果要在轻量级设备上部署，可考虑使用 CoreML或 TFLite或Android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。



📅 1 年前创建 ✏️ 19 天前更新
glenn-jocherRizwanMunawarMatthewNoyceUltralyticsAssistantIvorZhu331AyushExel

评论