Link to this section使用 Ultralytics YOLO26 进行对象裁剪#
Link to this section什么是对象裁剪？#
使用 Ultralytics YOLO26 进行对象裁剪涉及从图像或视频中隔离并提取特定的检测对象。利用 YOLO26 模型的功能可以准确识别和勾勒对象，从而实现用于后续分析或处理的精确裁剪。
Watch: Object Cropping using Ultralytics YOLO
Link to this section对象裁剪的优势#
- 专注分析：YOLO26 促进了目标对象裁剪，允许对场景中的单个项目进行深入检查或处理。
- 减少数据量：通过仅提取相关对象，对象裁剪有助于最小化数据大小，从而提高存储、传输或后续计算任务的效率。
- 增强精度：YOLO26 的 object detection accuracy 确保裁剪后的对象保持其空间关系，从而为详细分析保留视觉信息的完整性。
Link to this section可视化#
| 机场行李 |
|---|
 |
| 使用 Ultralytics YOLO26 在机场传送带上裁剪行李箱 |
# 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]"Link to this sectionObjectCropper 参数#
下表列出了 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' | 用于存储裁剪后的检测结果的目录名称。 |
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 | 如果为 True，则在窗口中显示标注后的图像或视频。这对于开发或测试过程中的即时视觉反馈非常有用。 |
line_width | int or None | None | 指定边界框的线条宽度。如果为 None，则线条宽度会根据图像尺寸自动调整。提供用于清晰度的视觉自定义功能。 |
Link to this section常见问题解答#
Link to this section什么是 Ultralytics YOLO26 中的对象裁剪，它是如何工作的？#
使用 Ultralytics YOLO26 进行对象裁剪涉及基于 YOLO26 的检测能力，从图像或视频中隔离并提取特定对象。此过程通过利用 YOLO26 以高精度识别对象并相应地进行裁剪，从而实现专注分析、减少数据量并增强 precision。有关深入教程，请参阅 对象裁剪示例。
Link to this section为什么我应该使用 Ultralytics YOLO26 进行对象裁剪而不是其他解决方案？#
Ultralytics YOLO26 因其精度、速度和易用性而脱颖而出。它允许进行详细且准确的对象检测和裁剪，这对于 focused analysis 和需要高数据完整性的应用至关重要。此外，YOLO26 与 OpenVINO 和 TensorRT 等工具无缝集成，适用于需要实时能力和多样化硬件优化的部署。在 模型导出指南 中探索其优势。
Link to this section如何使用对象裁剪减少数据集的数据量？#
通过使用 Ultralytics YOLO26 仅裁剪图像或视频中的相关对象，你可以显著减小数据大小，使其在存储和处理时更加高效。此过程包括训练模型以检测特定对象，然后利用结果仅裁剪并保存这些部分。欲了解更多关于利用 Ultralytics YOLO26 功能的信息，请访问我们的 快速入门指南。
Link to this section我可以使用 Ultralytics YOLO26 进行实时视频分析和对象裁剪吗？#
可以，Ultralytics YOLO26 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 surveillance、体育分析和自动化检测系统。查看 tracking 和 prediction modes 以了解如何实现实时处理。
Link to this section高效运行 YOLO26 进行对象裁剪的硬件要求是什么？#
Ultralytics YOLO26 针对 CPU 和 GPU 环境都进行了优化，但为了实现最佳性能，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）。对于轻量级设备上的部署，请考虑在 iOS 上使用 CoreML 或在 Android 上使用 TFLite。有关支持的设备和格式的更多详细信息，可以在我们的 模型部署选项 中找到。