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 的目标检测 准确性确保裁剪后的目标保持其空间关系,从而保持视觉信息的完整性,以进行详细分析。
视觉效果
机场行李 |
---|
![]() |
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 object
cropper = solutions.ObjectCropper(
show=True, # display the output
model="yolo11n.pt", # model for object cropping i.e yolo11x.pt.
classes=[0, 2], # crop specific classes i.e. person and car with 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
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 |
---|---|---|---|
model |
str |
None |
Ultralytics YOLO 模型文件的路径。 |
crop_dir |
str |
'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 |
---|---|---|---|
show |
bool |
False |
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_width |
None or int |
None |
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?
通过使用 Ultralytics YOLO11 仅从图像或视频中裁剪相关目标,您可以显着减少数据大小,从而提高存储和处理效率。此过程包括训练模型以检测特定目标,然后使用结果仅裁剪和保存这些部分。有关利用 Ultralytics YOLO11 功能的更多信息,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 可以处理实时视频流以动态检测和裁剪对象。该模型的高速推理能力使其非常适合实时应用,例如 监控、体育分析和自动化检测系统。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 针对 CPU 和 GPU 环境进行了优化,但为了获得最佳性能,特别是对于实时或高容量推理,建议使用专用 GPU(例如,NVIDIA Tesla、RTX 系列)。对于在轻量级设备上的部署,请考虑使用用于 iOS 的 CoreML 或用于 Android 的 TFLite。有关支持的设备和格式的更多详细信息,请参阅我们的模型部署选项。