使用Ultralytics YOLO11进行对象模糊处理 🚀

什么是对象模糊处理？

使用Ultralytics YOLO11进行对象模糊处理涉及对图像或视频中特定检测到的对象应用模糊效果。这可以通过YOLO11模型的能力来识别和操作给定场景中的对象来实现。

观看: 使用Ultralytics YOLO11进行对象模糊处理

对象模糊处理的优点？

隐私保护: 对象模糊处理是保护隐私的有效工具，通过隐藏图像或视频中的敏感或个人身份信息来实现。
选择性焦点: YOLO11允许选择性模糊，使用户能够针对特定对象，确保隐私与保留相关视觉信息之间的平衡。
实时处理: YOLO11的高效性使得对象模糊处理能够在实时进行，适用于需要在动态环境中即时增强隐私的应用。

使用YOLO11进行对象模糊处理的示例

对象模糊处理

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n.pt")
names = model.names

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "错误读取视频文件"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# 模糊比例
blur_ratio = 50

# 视频写入器
video_writer = cv2.VideoWriter("object_blurring_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("视频帧为空或视频处理已成功完成。")
        break

    results = model.predict(im0, show=False)
    boxes = results[0].boxes.xyxy.cpu().tolist()
    clss = results[0].boxes.cls.cpu().tolist()
    annotator = Annotator(im0, line_width=2, example=names)

    if boxes is not None:
        for box, cls in zip(boxes, clss):
            annotator.box_label(box, color=colors(int(cls), True), label=names[int(cls)])

            obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]
            blur_obj = cv2.blur(obj, (blur_ratio, blur_ratio))

            im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])] = blur_obj

    cv2.imshow("ultralytics", im0)
    video_writer.write(im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
video_writer.release()
cv2.destroyAllWindows()

`model.predict` 参数

参数	类型	默认值	描述
`source`	`str`	`'ultralytics/assets'`	指定推理的数据源。可以是图像路径、视频文件、目录、URL或实时视频流的设备ID。支持多种格式和数据源，适用于不同类型的输入。
`conf`	`float`	`0.25`	设置检测的最小置信度阈值。置信度低于此阈值的检测对象将被忽略。调整此值有助于减少误报。
`iou`	`float`	`0.7`	交并比 (IoU) 用于非极大值抑制 (NMS) 的阈值。较低的值通过消除重叠框来减少检测数量，有助于减少重复。
`imgsz`	`int or tuple`	`640`	定义推理的图像尺寸。可以是单个整数 `640` 用于方形缩放，或 (高度, 宽度) 元组。适当的尺寸可以提高检测的准确性和处理速度。
`half`	`bool`	`False`	启用半精度 (FP16) 推理，这可以在支持的GPU上加速模型推理，对准确性影响最小。
`device`	`str`	`None`	指定推理设备（例如，`cpu`, `cuda:0` 或 `0`）。允许用户在CPU、特定GPU或其他计算设备之间选择模型执行。
`max_det`	`int`	`300`	每张图像允许的最大检测数量。限制模型在一次推理中可以检测到的对象总数，防止在密集场景中输出过多。
`vid_stride`	`int`	`1`	视频输入的帧步长。允许跳过视频中的帧以加快处理速度，代价是时间分辨率降低。值为1处理每一帧，较高的值跳过帧。
`stream_buffer`	`bool`	`False`	确定是否为视频流队列传入帧。如果为 `False`，旧帧会被丢弃以容纳新帧（优化用于实时应用）。如果为 `True`，新帧会被缓冲，确保没有帧被跳过，但如果推理FPS低于流FPS，会导致延迟。
`visualize`	`bool`	`False`	激活推理过程中模型特征的可视化，提供模型“看到”的内容的洞察。有助于调试和模型解释。
`augment`	`bool`	`False`	启用预测时的测试时间增强 (TTA)，可能会提高检测的鲁棒性，但会牺牲推理速度。
`agnostic_nms`	`bool`	`False`	启用类不可知的非极大值抑制（NMS），合并不同类别的重叠框。在多类别检测场景中，类别重叠常见时非常有用。
`classes`	`list[int]`	`None`	过滤预测结果为一组类别ID。只有属于指定类别的检测结果会被返回。在多类别检测任务中，专注于相关对象时非常有用。
`retina_masks`	`bool`	`False`	如果模型可用，使用高分辨率分割掩码。这可以提高分割任务中的掩码质量，提供更精细的细节。
`embed`	`list[int]`	`None`	指定从中提取特征向量或嵌入的层。对于聚类或相似性搜索等下游任务非常有用。

常见问题

使用Ultralytics YOLO11进行对象模糊处理是什么？

使用Ultralytics YOLO11进行对象模糊处理涉及自动检测并应用模糊效果到图像或视频中的特定对象。这种技术通过隐藏敏感信息来增强隐私，同时保留相关的视觉数据。YOLO11的实时处理能力使其适用于需要即时隐私保护和选择性焦点调整的应用。

如何使用YOLO11实现实时对象模糊处理？

要使用YOLO11实现实时对象模糊处理，请按照提供的Python示例进行操作。这涉及使用YOLO11进行对象检测和使用OpenCV应用模糊效果。以下是一个简化版本：

import cv2

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break

    results = model.predict(im0, show=False)
    for box in results[0].boxes.xyxy.cpu().tolist():
        obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]
        im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])] = cv2.blur(obj, (50, 50))

    cv2.imshow("YOLO11 Blurring", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()