利用YOLOv8 pose estimation 进行 人的 头部等马赛克

已于 2024-02-10 23:05:58 修改
阅读量1.3k 收藏 3
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 人工智能系统解决方案与技术架构 AI赋能行业实战：‌最佳实践与落地案例深度解析！‌ 文章标签： YOLO
于 2024-02-10 23:05:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/wangyaninglm/article/details/136089282

文章大纲

在这里插入图片描述

之前写过一个文章记录，怎么对人进行目标检测后打码，但是人脸识别有个问题是，很多人的背影，或者侧面无法识别出来人脸，那么我们就可以用姿态估计中的关键点信息进行补充，对人头进行打码，从而进一步的保护隐私信息。

目标跟踪与检测后进行 OpenCV 人脸识别 ，马赛克

马赛克

马赛克效果是当前使用较为广泛的一种图像或视频处理手段，它将图像或视频中特定区域的色阶细节劣化并造成色块打乱的效果，因为这种模糊效果看上去是由一个个的小格子组成，我们便形象的称这种画面为马赛克。

马赛克效果的主要目的通常是使特定区域无法辨认。

图像是由一个个的像素所组成的，并且每一个像素都有一个RGB值。要实现图像的马赛克效果，我们只需要设置一个像素块，并将该像素块中的所有像素都使用同一个RGB值来表示。

几种OpenCV 实现马赛克的方法

  • 把图像上某个像素点一定范围邻域内的所有点用邻域内随机选取的一个像素点的颜色代替，这样可以模糊细节，但是可以保留大体的轮廓。

  • 毛玻璃效果的实现通过用

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Yolov8-pose关键点检测：一种新的自适应算法轻量级通道分割和变换(ALSS)模块，解决红外检测场景存在严重遮挡和重叠目标时的局限性
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
09-19 647
提出了一种新的自适应算法轻量级通道分割和变换(ALSS)模块。该模块采用自适应信道分裂策略优化特征提取，并集成信道变换机制增强信道间的信息交换。这改善了模糊特征的提取，对于处理抖动引起的模糊和重叠目标至关重要。
YOLO8之学习指南
candy的博客
05-06 418
在计算机视觉领域，目标检测是一项核心任务，其应用范围广泛，涵盖安防监控、自动驾驶、智能医疗等众多领域。YOLO（You Only Look Once）系列算法凭借其高效、快速的特点，在目标检测领域占据重要地位。YOLO8 作为 YOLO 系列的最新版本，进一步提升了检测精度和速度，同时支持目标检测、图像分割、姿态估计等多任务。
YOLO v8 在马赛克增强中加入负样本，解决误检问题
qq_41848886的博客
11-08 1万+
使用本文的“负样本马赛克”，可以保证每一轮、每一张图里全都有误检图。能够在较少的训练轮次中，解决漏检问题
darknet+yolo4的windows下图片验证码识别一：环境编译和运行
yjack007的专栏
03-22 4937
原创来自本人的公众号：阿嚏个技术 公众号文章地址：darknet+yolo4的windows下图片验证码识别，之一：环境编译和运行 目前有很多采取深度学习的方式，进行图片验证码的文字识别，然后实现打码功能。本文采用darknet+yolo4的深度学习框架来实现图片文字识别，当然该框架可以做的事情很多，还能对视频内容进行标识识别。 相关的内容应该会分三期制作，本期内容主要是针对该系统在windows环境下的编译和运行，之前看了些文章和视频很少一次性编译成功的。我把整个编译过程录成了视频，特别是对编译.
YOLO V8-Detection 【单张图片推理】 推理详解及部署实现
牧子川的博客
04-05 1万+
该代码对YOLO V8 中 Detection 中推理代码进行拆解，对里面单独的模块给单独提取出来，方便进行后续的修改，并且该代码是一个每次对一张图片进行推理。
行为分析(六)：人形检测部分（一）：YOLOv1-v5的学习笔记
qq_37662375的博客
08-25 6394
YOLO与RCNN系列的不同 1.统一网络:YOLO没有显示求取region proposal的过程。Faster R-CNN中尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和fast rcnn网络.相对于R-CNN系列的"看两眼"(候选框提取与分类),YOLO只需要Look Once. 2. YOLO统一为一个回归问题，而R-CNN将检测结果分为两部分求解：物体类别（分类问题），物体位置即bounding box（回归问题）。 一句话概括YOLO的原理 将输入
yolov8-pose-p2
03-08
### YOLOv8 Pose Estimation 教程与资源 #### 数据集准备 为了训练YOLOv8模型进行姿态估计，数据集的选择至关重要。Ultralytics Tiger-Pose数据集专为姿势估计设计，包含263张来自YouTube视频的图片，分为210张训练...
【AI视野·今日CV 计算机视觉论文速览 第185期】Tue, 15 Sep 2020
TomRen
10-04 1万+
AI视野·今日CS.CV 计算机视觉论文速览 Tue, 15 Sep 2020 Totally 84 papers ????上期速览✈更多精彩请移步主页 Daily Computer Vision Papers High-Resolution Deep Image Matting Authors Haichao Yu, Ning Xu, Zilong Huang, Yuqian Zhou, Humphrey Shi图像抠像是图像和视频编辑与合成的关键技术。按照惯例，深度学习方法使用整个输入图像和
51c自动驾驶~合集54
whaosoft~aiotの开发板商城
03-12 1878
在车道拓扑提取任务中，我们预测一个密集的邻接矩阵，用于表示车道线段和交通元素之间的关系。具体来说，车道线段之间的关系由矩阵A∈Rm×m表示，车道线段与交通元素之间的关系由矩阵A∈Rm×n表示，其中m和n分别是车道线段和交通元素的数量。尽管密集视觉提示可以实现高性能，但其高昂的成本、环境影响和低效的推理速度使其不适用于实时应用。因此，我们采用链式推理（Chain-of-Thought, COT）方法，仅对稀疏的边缘情况进行密集视觉提示，从而提高推理效率。
YOLO系列详解（YOLO1-YOLO5）
热门推荐
weixin_45303602的博客
02-23 2万+
YOLO系列是one-stage且是基于深度学习的回归方法，而R-CNN、Fast-RCNN、Faster-RCNN等是two-stage且是基于深度学习的分类方法。
基于深度学习算法实现视频人脸自动打码
知来者逆的博客
10-23 3376
基于人脸检测与人脸识别实现的视频人脸自动打码功能
基于YOLOV8图像处理——人脸检测及遮挡
Huang_X_H的博客
09-19 2147
使用YOLOV8进行人脸检测及遮挡的小工具
YOLOv5对人脸检测及马赛克处理的应用
willnzd的博客
09-25 750
拿到代码项目后，你需要去更改数据的路径。更改data文件夹的.yaml文件，如果直接下载我的代码就不用更改了，都是该好的。数据集是我自己用辅助标注工具进行标注的，这里包含图片400多张。你得先配置环境，直接pip代码里面带的requirements.txt文件就可以。下载的是我的代码的话，直接可以传入想要进行马赛克处理的数据。我的代码都是调试好的。模型输出的是一个框，我们要将框里面的打上马赛克。传入的是要打马赛克的图，即yolo检测完返回的坐标点裁减的图像。也可以直接下载我的代码，里面还包含了数据集。
Pytorch应用实战（1）- 基于YOLO的视频人脸马赛克处理
iioSnail的博客
12-17 781
YoloV11（Github）提供了非常方便的API帮助用户实现目标检测（detect）、语义分割（segement）、肢体识别（Pose）等功能。本文将基于YoloV11的目标检测来实现一个视频人脸马赛克的处理，帮助大家入门YoloV11的目标检测使用。本文并不包含模型训练部分。
Yolo v8数据马赛克数据增强代码详解
laner__gg的博客
09-22 2672
x1a, y1a, x2a, y2a = max(xc - w, 0), max(yc - h, 0), xc, yc # xmin, ymin, xmax, ymax (large image),确定画布区域。9.将标签中的（x,y,w,h）坐标转换为，（w,h,padw,padd）为相对于resize之后图像的数据，该函数的功能是将(x,y,w,h)坐标转换为标签的左上角和右下角坐标。i=0时，左上角的范围：x1a, y1a, x2a, y2a，马赛克图像的左上角和右下角。
指纹的对比分析系统概述
shiter编写程序的艺术
02-14 1万+
摘要：指纹识别技术作为生物识别技术中最为具有应用前景的技术之一，近年来取得了长足的发展，并广泛应用于各种场合。由于指纹所具有的唯一性和不变性，以及指纹识别技术具有很高的可行性和实用性，指纹识别成为目前最流行、最可靠的个人身份认证技术之一。所以对指纹识别技术的研究具有重要的理论和实际意义。 指纹识别的一般性过程分为三步：指纹图像的预处理，指纹特征提取以及特征匹配。本设计采用Visual Studio.........
《大数据+AI在大健康领域中最佳实践前瞻》---- 连续血糖监测(CGM) 初探
shiter编写程序的艺术
06-17 9409
本文主要介绍了使用雅培瞬感CGM 设备进行持续血糖检测的背景及糖尿病相关知识。
windows 下 基于 WSL2安装DeepSpares进行YOLOV8 v5 的加速推理
shiter编写程序的艺术
06-12 7958
硬件要求：CPU 支持 avx2 指令集软件：操作系统只支持Linux可以通过查看CPU的规格或者使用特定的命令来检测CPU是否支持AVX2指令集。查看CPU规格：直接查看CPU的规格说明，通常在购买CPU时，其包装或者产品描述中会明确指出支持的指令集。访问CPU制造商的官方网站，通过搜索型号可以获取详细的CPU规格信息。使用系统命令：在Linux系统中，可以使用命令cat /proc/cpuinfo来查看CPU信息。
联想Lenovo 小新Pro-13 AIR 2020 Windows 10 间歇性 蓝屏 的解决方法 : 又一个AI变成 人工智障的失败案例?
shiter编写程序的艺术
11-04 7412
文章大纲错误初现：WHEA_UNCORRECTABLE_ERROR参考文献 今年早些时候家里换了电脑，LP用。我回忆起来电脑可能出现问题个把月了，但是是偶发性的，我没太注意。但是最近每次刚一打开电脑，LP 就说：你看这个电脑咋了，还没说完，等我走过去，电脑重启就好了。 错误初现：WHEA_UNCORRECTABLE_ERROR 后来，我说你拍张照： 上面有个error code：WHEA_UNCORRECTABLE_ERROR 我搜了一圈，大部分是用powershell 进行系统文件的扫描，然后修复，类
YOLOv8pose detece
最新发布
08-21
在使用 YOLOv8 进行姿态估计检测时，可以通过 Ultralytics 提供的 API 快速实现。YOLOv8-Pose 是专门用于人体姿态估计的模型，能够检测图像中人体的关键点，例如头部、肩膀、肘部、手腕、膝盖和脚踝等，从而生成骨架模型[^2]。 ### 使用 YOLOv8-Pose 的示例代码 以下是一个简单的示例代码，展示了如何使用 YOLOv8-Pose 进行姿态估计： ```python from ultralytics import YOLO # 加载预训练的 YOLOv8-Pose 模型 model = YOLO("yolov8n-pose.pt") # 可替换为 "yolov8s-pose.pt", "yolov8m-pose.pt" 等 # 对图像进行姿态估计 results = model.predict("path/to/image.jpg") # 替换为你的图像路径 # 输出结果 for result in results: # 打印关键点信息 print(result.keypoints) ``` ### 关键点说明 - **模型加载**：`YOLO("yolov8n-pose.pt")` 会加载预训练的 YOLOv8-Pose 模型，适用于不同规模的模型（如 `yolov8s-pose.pt`、`yolov8m-pose.pt` 等）。 - **输入图像**：`model.predict("path/to/image.jpg")` 接收一个图像路径作为输入，并返回检测结果。 - **输出结果**：`result.keypoints` 包含了检测到的关键点信息，可以通过进一步处理将其可视化或用于其他任务。 ### 预处理部分 YOLOv8-Pose 的预处理部分与 YOLOv5 保持一致。这意味着可以复用 YOLOv5 的预处理方法，确保输入图像符合模型的要求，例如归一化、缩放等操作[^1]。 ### 可视化关键点 如果需要将检测到的关键点可视化，可以使用以下代码： ```python # 可视化检测结果 for result in results: # 绘制检测框和关键点 annotated_frame = result.plot() # 显示图像 cv2.imshow("Pose Estimation", annotated_frame) cv2.waitKey(0) cv2.destroyAllWindows() ``` ### 自定义预测代码 如果需要自定义预测流程，可以参考以下方式构建 `predict.py` 文件： ```python from ultralytics.utils import ASSETS from ultralytics.models.yolo.pose import PosePredictor if __name__ == '__main__': # 定义模型路径和输入图像路径 args = dict(model="./weights/yolov8n-pose.pt", source="./test_imgs/g3.jpg") # 创建 PosePredictor 实例 predictor = PosePredictor(overrides=args) # 执行预测 predictor.predict_cli() ``` ### 拓展应用 YOLOv8-Pose 不仅可以用于人体姿态估计，还可以结合其他模型（如 CRNN）进行更复杂的任务，例如水表刻度识别。在这种情况下，YOLOv8-Pose 可以用于检测指针位置，而 CRNN 可以用于识别数字[^3]。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

shiter

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值