OpenCVリアルタイム画像処理における中核機能を学びましょう。強力なコンピュータビジョンアプリケーションを実現するため、Ultralytics YOLO26との統合方法を習得します。
OpenCV オープンソースコンピュータビジョンライブラリ）は、リアルタイムのコンピュータビジョン（CV）および画像処理を目的に設計された、広く利用されているオープンソースソフトウェアライブラリです。Intel 開発され、2,500以上の最適化されたアルゴリズムを提供する研究者や開発者向けの標準ツールへと進化しました。 これらのアルゴリズムにより、コンピュータは世界からの視覚データを認識・理解し、 基本的な画像操作から複雑な機械学習（ML）推論に至るまでのタスクを実行できます。 高性能を実現するためC++で記述されたOpenCV 、Python、Java、MATLABなどの言語向けに堅牢なバインディングOpenCV 、 迅速なプロトタイピングから大規模な展開までを可能にします。
OpenCV AIエコシステムにおける基盤層としてOpenCV 、視覚データが深層学習モデルに入る前に必要なデータ前処理ステップを頻繁に処理します。その機能はいくつかの重要な領域をカバーしています：
OpenCV 様々な産業分野で広くOpenCV 、深層学習フレームワークと連携して動作することが多い。
OpenCV 深層学習フレームワーク（例：PyTorch）OpenCV 区別することが重要です。 PyTorch や TensorFlowと区別することが重要です。
現代のワークフローでは、これらのツールは互いに補完し合います。例えば、開発者はOpenCV ビデオストリームOpenCV フレームOpenCV リサイズし、それらのフレームをYOLO26モデルに渡して物体検出を行い、最後にOpenCV を使用して出力にバウンディングボックスを描画するといった処理が可能です。
OpenCV 頻繁に以下と共に使用される ultralytics ビデオストリームを管理し結果を可視化するパッケージ。
この統合により効率的なリアルタイム推論が可能となる。
以下の例は、OpenCV 動画ファイルOpenCV 、フレームを処理し、 YOLO26nモデルを適用して検出を行う方法を示しています。
import cv2
from ultralytics import YOLO
# Load the YOLO26 model
model = YOLO("yolo26n.pt")
# Open the video file using OpenCV
cap = cv2.VideoCapture("path/to/video.mp4")
while cap.isOpened():
success, frame = cap.read()
if not success:
break
# Run YOLO26 inference on the frame
results = model(frame)
# Visualize the results on the frame
annotated_frame = results[0].plot()
# Display the annotated frame
cv2.imshow("YOLO26 Inference", annotated_frame)
# Break loop if 'q' is pressed
if cv2.waitKey(1) & 0xFF == ord("q"):
break
cap.release()
cv2.destroyAllWindows()
OpenCV 進化をOpenCV 、新しい標準やハードウェアアクセラレーションをサポートしています。その広大なコミュニティが、豊富なチュートリアルやドキュメントのエコシステムに貢献しています。 ローカルプロトタイプからクラウドベースソリューションへコンピュータビジョンプロジェクトを拡張したいチーム向けに、Ultralytics データセット管理とモデルトレーニングのための包括的なツールを提供し、OpenCVの前処理パイプラインとシームレスに統合されます。顔認識セキュリティシステムであれ、スポーツ分析における姿勢推定であれ、OpenCV AI開発者のツールキットにおいて不可欠なユーティリティOpenCV 。
.webp)
