YOLO11解决方案之物体模糊探索

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 cv2

from ultralytics import solutions

cap = 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 output
    model="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.")
        break

    results = blurrer(im0)

    # print(results")  # access the output

    video_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。

实际应用

监控中的隐私保护

安防摄像机和监控系统可以使用YOLO11 自动模糊人脸、车牌或其他身份信息，同时仍能捕捉重要活动。这有助于维护安全，同时尊重公共场所的隐私权。

医疗数据匿名化

在医学成像中，患者信息经常出现在扫描或照片中。YOLO11 可以检测并模糊这些信息，以便在出于研究或教育目的共享医疗数据时遵守 HIPAA 等法规。

文件编辑

在共享包含敏感信息的文档时，YOLO11 可以自动检测并模糊特定元素，如签名、账号或个人信息，从而简化编辑流程，同时保持文档的完整性。

媒体和内容创作

内容创作者可以使用YOLO11 模糊视频和图像中的品牌徽标、版权材料或不恰当内容，从而在保持整体内容质量的同时，帮助避免法律问题。

效果演示

这里使用演示代码，对测试视频中的所有汽车进行模糊处理。