Analytik mit Ultralytics YOLO11
Einführung
Dieser Leitfaden bietet einen umfassenden Überblick über drei grundlegende Arten von Datenvisualisierungen: Liniendiagramme, Balkendiagramme und Kreisdiagramme. Jeder Abschnitt enthält Schritt-für-Schritt-Anleitungen und Code-Snippets zur Erstellung dieser Visualisierungen mit Python.
Ansehen: Wie man mit Ultralytics analytische Diagramme erstellt | Liniendiagramme, Balkendiagramme, Flächen- und Kreisdiagramme
Visuelle Beispiele
Liniendiagramm | Balkendiagramm | Kreisdiagramm |
---|---|---|
![]() |
![]() |
![]() |
Warum Graphen wichtig sind
- Liniendiagramme eignen sich ideal, um Veränderungen über kurze und lange Zeiträume zu verfolgen und um Veränderungen für mehrere Gruppen über den gleichen Zeitraum zu vergleichen.
- Balkendiagramme hingegen eignen sich, um Mengen über verschiedene Kategorien hinweg zu vergleichen und Beziehungen zwischen einer Kategorie und ihrem numerischen Wert darzustellen.
- Schließlich eignen sich Kreisdiagramme gut, um Proportionen zwischen Kategorien zu veranschaulichen und Teile eines Ganzen darzustellen.
Analysen mit Ultralytics YOLO
yolo solutions analytics show=True
# Pass the source
yolo solutions analytics source="path/to/video.mp4"
# Generate the pie chart
yolo solutions analytics analytics_type="pie" show=True
# Generate the bar plots
yolo solutions analytics analytics_type="bar" show=True
# Generate the area plots
yolo solutions analytics analytics_type="area" show=True
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))
out = cv2.VideoWriter(
"analytics_output.avi",
cv2.VideoWriter_fourcc(*"MJPG"),
fps,
(1280, 720), # this is fixed
)
# Initialize analytics object
analytics = solutions.Analytics(
show=True, # display the output
analytics_type="line", # pass the analytics type, could be "pie", "bar" or "area".
model="yolo11n.pt", # path to the YOLO11 model file
# classes=[0, 2], # display analytics for specific detection classes
)
# Process video
frame_count = 0
while cap.isOpened():
success, im0 = cap.read()
if success:
frame_count += 1
results = analytics(im0, frame_count) # update analytics graph every frame
# print(results) # access the output
out.write(results.plot_im) # write the video file
else:
break
cap.release()
out.release()
cv2.destroyAllWindows() # destroy all opened windows
Analytics
Argumente
Hier ist eine Tabelle mit den Analytics-Argumenten:
Argument | Typ | Standard | Beschreibung |
---|---|---|---|
model |
str |
None |
Pfad zur Ultralytics YOLO Modelldatei. |
analytics_type |
str |
line |
Art des Graphen, d.h. line , bar , area , oder pie . |
Sie können auch verschiedene nutzen track
Argumente in der Analytics
Lösung.
Argument | Typ | Standard | Beschreibung |
---|---|---|---|
tracker |
str |
'botsort.yaml' |
Gibt den zu verwendenden Tracking-Algorithmus an, z. B. bytetrack.yaml oder botsort.yaml . |
conf |
float |
0.3 |
Legt den Konfidenzschwellenwert für Erkennungen fest; niedrigere Werte ermöglichen die Verfolgung von mehr Objekten, können aber auch falsch positive Ergebnisse liefern. |
iou |
float |
0.5 |
Legt den Intersection over Union (IoU)-Schwellenwert zum Filtern überlappender Erkennungen fest. |
classes |
list |
None |
Filtert Ergebnisse nach Klassenindex. Zum Beispiel, classes=[0, 2, 3] verfolgt nur die angegebenen Klassen. |
verbose |
bool |
True |
Steuert die Anzeige der Tracking-Ergebnisse und bietet eine visuelle Ausgabe der verfolgten Objekte. |
device |
str |
None |
Gibt das Gerät für die Inferenz an (z. B. cpu , cuda:0 oder 0 ). Ermöglicht es Benutzern, zwischen CPU, einer bestimmten GPU oder anderen Rechengeräten für die Modellausführung zu wählen. |
Zusätzlich werden die folgenden Visualisierungsargumente unterstützt:
Argument | Typ | Standard | Beschreibung |
---|---|---|---|
show |
bool |
False |
Wenn True aktiviert, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für sofortiges visuelles Feedback während der Entwicklung oder des Testens. |
line_width |
None or int |
None |
Gibt die Linienbreite der Begrenzungsrahmen an. Wenn None , wird die Linienbreite automatisch an die Bildgröße angepasst. Bietet eine visuelle Anpassung für mehr Klarheit. |
Fazit
Das Verständnis, wann und wie verschiedene Arten von Visualisierungen eingesetzt werden, ist entscheidend für eine effektive Datenanalyse. Liniendiagramme, Balkendiagramme und Kreisdiagramme sind grundlegende Werkzeuge, die Ihnen helfen können, die Geschichte Ihrer Daten klarer und effektiver zu vermitteln. Die Ultralytics YOLO11 Analytics-Lösung bietet eine optimierte Möglichkeit, diese Visualisierungen aus Ihren Objekterkennungs- und Tracking-Ergebnissen zu generieren, wodurch es einfacher wird, aussagekräftige Erkenntnisse aus Ihren visuellen Daten zu gewinnen.
FAQ
Wie erstelle ich ein Liniendiagramm mit Ultralytics YOLO11 Analytics?
Um ein Liniendiagramm mit Ultralytics YOLO11 Analytics zu erstellen, führen Sie die folgenden Schritte aus:
- Laden Sie ein YOLO11-Modell und öffnen Sie Ihre Videodatei.
- Initialisieren Sie die
Analytics
Klasse, bei der der Typ auf "line" gesetzt ist. - Iterieren Sie durch Videoframes und aktualisieren Sie das Liniendiagramm mit relevanten Daten, wie z. B. Objektanzahl pro Frame.
- Speichern Sie das Ausgabevideo, das den Liniengraphen anzeigt.
Beispiel:
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
out = cv2.VideoWriter(
"ultralytics_analytics.avi",
cv2.VideoWriter_fourcc(*"MJPG"),
fps,
(1280, 720), # this is fixed
)
analytics = solutions.Analytics(
analytics_type="line",
show=True,
)
frame_count = 0
while cap.isOpened():
success, im0 = cap.read()
if success:
frame_count += 1
results = analytics(im0, frame_count) # update analytics graph every frame
out.write(results.plot_im) # write the video file
else:
break
cap.release()
out.release()
cv2.destroyAllWindows()
Weitere Informationen zur Konfiguration des Analytics
Klasse finden Sie unter Analytik mit Ultralytics YOLO11 Abschnitt.
Welche Vorteile bietet die Verwendung von Ultralytics YOLO11 zur Erstellung von Balkendiagrammen?
Die Verwendung von Ultralytics YOLO11 zum Erstellen von Balkendiagrammen bietet mehrere Vorteile:
- Echtzeit-Datenvisualisierung: Integrieren Sie Objekterkennungsergebnisse nahtlos in Balkendiagramme für dynamische Aktualisierungen.
- Einfache Bedienung: Einfache API und Funktionen ermöglichen eine unkomplizierte Implementierung und Visualisierung von Daten.
- Anpassung: Passen Sie Titel, Beschriftungen, Farben und mehr an Ihre spezifischen Anforderungen an.
- Effizienz: Verarbeitet effizient große Datenmengen und aktualisiert Diagramme in Echtzeit während der Videoverarbeitung.
Verwenden Sie das folgende Beispiel, um ein Balkendiagramm zu erstellen:
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
out = cv2.VideoWriter(
"ultralytics_analytics.avi",
cv2.VideoWriter_fourcc(*"MJPG"),
fps,
(1280, 720), # this is fixed
)
analytics = solutions.Analytics(
analytics_type="bar",
show=True,
)
frame_count = 0
while cap.isOpened():
success, im0 = cap.read()
if success:
frame_count += 1
results = analytics(im0, frame_count) # update analytics graph every frame
out.write(results.plot_im) # write the video file
else:
break
cap.release()
out.release()
cv2.destroyAllWindows()
Weitere Informationen findest du im Abschnitt Balkendiagramm im Leitfaden.
Warum sollte ich Ultralytics YOLO11 für die Erstellung von Kreisdiagrammen in meinen Datenvisualisierungsprojekten verwenden?
Ultralytics YOLO11 ist eine ausgezeichnete Wahl für die Erstellung von Kreisdiagrammen, weil:
- Integration mit Objekterkennung: Integrieren Sie Objekterkennungsergebnisse direkt in Kreisdiagramme, um sofortige Einblicke zu erhalten.
- Benutzerfreundliche API: Einfach einzurichten und mit minimalem Code zu verwenden.
- Anpassbar: Verschiedene Anpassungsoptionen für Farben, Beschriftungen und mehr.
- Echtzeit-Aktualisierungen: Verarbeiten und visualisieren Sie Daten in Echtzeit, was ideal für Videoanalyseprojekte ist.
Hier ist ein kurzes Beispiel:
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
out = cv2.VideoWriter(
"ultralytics_analytics.avi",
cv2.VideoWriter_fourcc(*"MJPG"),
fps,
(1280, 720), # this is fixed
)
analytics = solutions.Analytics(
analytics_type="pie",
show=True,
)
frame_count = 0
while cap.isOpened():
success, im0 = cap.read()
if success:
frame_count += 1
results = analytics(im0, frame_count) # update analytics graph every frame
out.write(results.plot_im) # write the video file
else:
break
cap.release()
out.release()
cv2.destroyAllWindows()
Weitere Informationen finden Sie im Abschnitt Kreisdiagramm im Leitfaden.
Kann Ultralytics YOLO11 verwendet werden, um Objekte zu verfolgen und Visualisierungen dynamisch zu aktualisieren?
Ja, Ultralytics YOLO11 kann verwendet werden, um Objekte zu verfolgen und Visualisierungen dynamisch zu aktualisieren. Es unterstützt die Verfolgung mehrerer Objekte in Echtzeit und kann verschiedene Visualisierungen wie Liniendiagramme, Balkendiagramme und Tortendiagramme basierend auf den Daten der verfolgten Objekte aktualisieren.
Beispiel für das Verfolgen und Aktualisieren eines Liniendiagramms:
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
out = cv2.VideoWriter(
"ultralytics_analytics.avi",
cv2.VideoWriter_fourcc(*"MJPG"),
fps,
(1280, 720), # this is fixed
)
analytics = solutions.Analytics(
analytics_type="line",
show=True,
)
frame_count = 0
while cap.isOpened():
success, im0 = cap.read()
if success:
frame_count += 1
results = analytics(im0, frame_count) # update analytics graph every frame
out.write(results.plot_im) # write the video file
else:
break
cap.release()
out.release()
cv2.destroyAllWindows()
Um mehr über die vollständige Funktionalität zu erfahren, lies bitte den Abschnitt Tracking.
Was unterscheidet Ultralytics YOLO11 von anderen Objekterkennungslösungen wie OpenCV und TensorFlow?
Ultralytics YOLO11 hebt sich aus mehreren Gründen von anderen Objekterkennungslösungen wie OpenCV und TensorFlow ab:
- Modernste Genauigkeit: YOLO11 bietet eine überragende Genauigkeit bei Objekterkennung, Segmentierung und Klassifizierungsaufgaben.
- Einfache Bedienung: Die benutzerfreundliche API ermöglicht eine schnelle Implementierung und Integration ohne umfangreiche Programmierung.
- Echtzeit-Performance: Optimiert für High-Speed-Inferenz, geeignet für Echtzeit-Anwendungen.
- Vielfältige Anwendungen: Unterstützt verschiedene Aufgaben, einschließlich Multi-Objekt-Tracking, benutzerdefiniertem Modelltraining und Export in verschiedene Formate wie ONNX, TensorRT und CoreML.
- Umfassende Dokumentation: Ausführliche Dokumentation und Blog-Ressourcen, die Benutzer durch jeden Schritt führen.
Für detailliertere Vergleiche und Anwendungsfälle erkunden Sie unseren Ultralytics Blog.