当前位置：首页 > news >正文

YOLO11解决方案之对象裁剪探索

news 2025/7/6 5:06:50

概述

Ultralytics提供了一系列的解决方案，利用YOLO11解决现实世界的问题，包括物体计数、模糊处理、热力图、安防系统、速度估计、物体追踪等多个方面的应用。

对象裁剪是指从图像或视频中分离并提取特定的检测对象，YOLO11 模型功能可用于准确识别和划分物体，从而实现精确裁剪，以便进一步分析或处理。使用YOLO11 可以方便的对目标对象进行裁剪，可对场景中的单个项目进行深入检查或处理，同时可以显著降低数据量，方便传输和存储。

演示代码

Ultralytics提供了演示代码，展示如何使用距离计算解决方案。

import cv2from ultralytics import solutionscap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"# Initialize object cropper object
cropper = solutions.ObjectCropper(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.")breakresults = cropper(im0)# print(results)  # access the outputcap.release()
cv2.destroyAllWindows()  # destroy all opened windows

`ObjectCropper`参数

基本参数

参数	类型	默认值	说明
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径。
`crop_dir`	`str`	`"cropped-detections"`	用于存储裁剪检测数据的目录名称。

可视化参数：

参数	类型	默认值	说明
`show`	`bool`	`False`	在这个方案中，show参数没有作用。

工作原理

ObjectCropper 类的工作原理是对图像中被检测到的物体，根据边框信息，裁剪下来，并保存为独立的图像文件。这个类比较简单。

class ObjectCropper(BaseSolution):"""这个类继承自BaseSolution类，根据检测到的边框，把物体裁剪下来保存为独立的文件。Attributes:crop_dir (str): 指定裁剪图片的保存路径crop_idx (int): 裁剪对象的数据iou (float): IoU阈值.conf (float): 置信度阈值.Methods:process: 对输入的图像中的检测物体进行裁剪并保存def __init__(self, **kwargs):super().__init__(**kwargs)self.crop_dir = self.CFG["crop_dir"]  # Directory for storing cropped detectionsif not os.path.exists(self.crop_dir):os.mkdir(self.crop_dir)  # Create directory if it does not existif self.CFG["show"]:self.LOGGER.warning(f"show=True disabled for crop solution, results will be saved in the directory named: {self.crop_dir}")self.crop_idx = 0  # Initialize counter for total cropped objectsself.iou = self.CFG["iou"]self.conf = self.CFG["conf"]def process(self, im0):results = self.model.predict(im0, classes=self.classes, conf=self.conf, iou=self.iou, device=self.CFG["device"])[0]for box in results.boxes:self.crop_idx += 1save_one_box(box.xyxy,im0,file=Path(self.crop_dir) / f"crop_{self.crop_idx}.jpg",BGR=True,)# Return SolutionResultsreturn SolutionResults(plot_im=im0, total_crop_objects=self.crop_idx)