当前位置：首页 > news >正文

YOLO11解决方案之物体模糊探索

news 来源：原创 2025/5/14 6:01:05

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。

物体模糊是指对图像或视频中的特定检测对象应用模糊处理，这可以利用YOLO11 模型的功能来识别和处理给定场景中的物体。

YOLO11处理物体模糊的优势

隐私保护：物体模糊功能可以隐藏图像或视频中的敏感信息或个人身份信息，是保护隐私的有效工具。
选择性聚焦：YOLO11 允许选择性模糊，使用户能够锁定特定对象，确保隐私和保留相关视觉信息之间的平衡。
实时处理：YOLO11的高效性可实现实时处理物体模糊，因此适用于需要在动态环境中即时隐私保护的应用。
合规性：通过对可视内容中的可识别信息进行匿名处理，帮助企业遵守 GDPR 等数据保护法规。
内容节制：用于模糊媒体平台中的不当或敏感内容，同时保留整体语境。

Ultralytics提供了CLI和Python例子，展示如何使用物体模糊解决方案。

CLI：

# Blur the objects
yolo solutions blur show=True# Pass a source video
yolo solutions blur source="path/to/video.mp4"# Blur the specific classes
yolo solutions blur classes="[0, 5]"

Python：

import cv2from ultralytics import solutionscap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"# Video writer
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("object_blurring_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))# Initialize object blurrer object
blurrer = solutions.ObjectBlurrer(show=True,  # display the outputmodel="yolo11n.pt",  # model for object blurring i.e. yolo11m.pt# line_width=2,  # width of bounding box.# classes=[0, 2],  # count specific classes i.e, person and car with COCO pretrained model.# blur_ratio=0.5,  # adjust percentage of blur intensity, the value in range 0.1 - 1.0
)# Process video
while cap.isOpened():success, im0 = cap.read()if not success:print("Video frame is empty or processing is complete.")breakresults = blurrer(im0)# print(results")  # access the outputvideo_writer.write(results.plot_im)  # write the processed frame.cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

ObjectBlurrer参数

基本参数

名称	类型	默认值	说明
`model`	`str`	`None`	YOLO Model 文件路径.
`blur_ratio`	`float`	`0.5`	调整模糊强度的百分比，取值范围为 `0.1 - 1.0`.

ObjectBlurrer支持使用track参数：

参数	类型	默认值	说明
`tracker`	`str`	`'botsort.yaml'`	指定要使用的跟踪算法， `bytetrack.yaml` 或 `botsort.yaml`.
`conf`	`float`	`0.3`	设置检测的置信度阈值；数值越低，跟踪的物体越多，但可能会出现误报。
`iou`	`float`	`0.5`	设置交叉重叠 (IoU) 阈值，用于过滤重叠检测。
`classes`	`list`	`None`	按类别索引筛选结果。例如 `classes=[0, 2, 3]` 只跟踪指定的类别（class在COCO数据集定义）。
`verbose`	`bool`	`True`	控制跟踪结果的显示，提供被跟踪物体的可视化输出。
`device`	`str`	`None`	指定用于推理的设备（例如： `cpu`, `cuda:0` 或 `0`). 允许用户选择CPU 、特定GPU 或其他计算设备运行模型。

可视化参数：

参数	类型	默认值	说明
`show`	`bool`	`False`	如果 `True`在一个窗口中显示注释的图像或视频。有助于在开发或测试过程中提供即时视觉反馈。
`line_width`	`None or int`	`None`	指定边界框的线宽。如果 `None`则根据图像大小自动调整线宽，使图像更加清晰。
`show_conf`	`bool`	`True`	在标签旁显示每次检测的置信度得分。让人了解模型对每次检测的确定性。
`show_labels`	`bool`	`True`	在可视输出中显示每次检测的标签。让用户立即了解检测到的物体。