Analysen mit Ultralytics YOLO26#
Analysen mit Ultralytics YOLO26 verwandeln object detection- und Tracking-Ergebnisse in Echtzeit-Diagramme, sodass du sehen kannst, wie sich Objektanzahlen in einem Videobild von Frame zu Frame verändern. Dieser Leitfaden behandelt vier data visualization-Typen – Liniendiagramme, Balkendiagramme, Kreisdiagramme und Flächendiagramme – und zeigt, wie du mithilfe gemeinsamer Python- und CLI-Beispiele zwischen ihnen wechseln kannst.
Watch: How to generate Analytical Graphs using Ultralytics | Line Graphs, Bar Plots, Area and Pie Charts
Visuelle Beispiele#
| Liniendiagramm | Balkendiagramm | Tortendiagramm |
|---|---|---|
 |  |  |
Warum Erkennungsdaten visualisieren?#
- Liniendiagramme eignen sich ideal, um Veränderungen über kurze und lange Zeiträume zu verfolgen und um Veränderungen für mehrere Gruppen über denselben Zeitraum zu vergleichen.
- Balkendiagramme eignen sich dazu, Mengen über verschiedene Kategorien hinweg zu vergleichen und Beziehungen zwischen einer Kategorie und ihrem numerischen Wert darzustellen.
- Tortendiagramme sind effektiv, um Anteile zwischen Kategorien zu veranschaulichen und Teile eines Ganzen zu zeigen.
- Flächendiagramme füllen das Liniendiagramm aus, sodass die klassenspezifischen Objektzahlen im Zeitverlauf auf einen Blick leichter zu lesen sind.
Analyse-Diagramme generieren#
Übergebe dein Video an die Lösung Analytics und wähle ein Diagramm mit analytics_type aus. Die Lösung führt in jedem Frame Erkennung und Tracking durch und rendert ein Diagramm der Größe 1280×720 (standardmäßig), das du direkt in ein Ausgabevideo schreiben kannst. Wechsle mit einem einzigen Argument zwischen "line", "bar", "pie" und "area".
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=TrueAnalytics-Argumente#
Hier ist eine Tabelle mit den Analytics-Argumenten:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
model | str | None | Pfad zu einer Ultralytics YOLO-Modelldatei. |
analytics_type | str | 'line' | Art des Graphen, d. h. line, bar, area oder pie. |
line_width | int | 2 | Linienstärke für die Boxen, Keypoints und Zählungen, die die Lösung zeichnet. |
verbose | bool | True | Aktiviert das pro-Frame-Protokoll der Lösung für Eingabeform, Klassenzahlen und Verarbeitungsgeschwindigkeit. Der Tracking-Aufruf selbst verläuft immer im Hintergrund. |
Du kannst auch verschiedene track-Argumente in der Lösung Analytics nutzen.
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Gibt den zu verwendenden Tracking-Algorithmus an. Integrierte Optionen: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Legt den Konfidenz-Schwellenwert für Detektionen fest; niedrigere Werte ermöglichen die Verfolgung von mehr Objekten, können aber zu falsch-positiven Ergebnissen führen. |
iou | float | 0.7 | Legt den Schwellenwert für die Intersection over Union (IoU) zum Filtern überlappender Detektionen fest. |
classes | list | None | Filtert Ergebnisse nach Klassenindex. Zum Beispiel verfolgt classes=[0, 2, 3] nur die angegebenen Klassen. |
device | str | None | Gibt das Gerät für die Inferenz an (z. B. cpu, cuda:0 oder 0). Ermöglicht Benutzern die Auswahl zwischen CPU, einer spezifischen GPU oder anderen Rechengeräten für die Modellausführung. |
Zusätzlich werden die folgenden Visualisierungsargumente unterstützt:
| Argument | Typ | Standard | Beschreibung |
|---|---|---|---|
show | bool | False | Falls True, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für unmittelbares visuelles Feedback während der Entwicklung oder des Testens. |
Fazit#
Zu verstehen, wann und wie verschiedene Visualisierungstypen zu verwenden sind, ist entscheidend für eine effektive Datenanalyse. Liniendiagramme, Balkendiagramme und Kreisdiagramme sind grundlegende Werkzeuge, die dir helfen können, die Geschichte deiner Daten klarer und effektiver zu vermitteln. Die Ultralytics YOLO26 Analytics-Lösung bietet eine optimierte Möglichkeit, diese Visualisierungen aus deinen object detection- und Tracking-Ergebnissen zu generieren, wodurch es einfacher wird, aussagekräftige Erkenntnisse aus deinen visuellen Daten zu gewinnen.
FAQ#
Um ein Liniendiagramm mit Ultralytics YOLO26 Analytics zu erstellen, befolge diese Schritte:
- Lade ein YOLO26-Modell und öffne deine Videodatei.
- Initialisiere die Klasse
Analyticsmitanalytics_type="line". - Iteriere durch die Video-Frames und rufe die Lösung in jedem Frame auf, um das Liniendiagramm mit Daten wie Objektzahlen zu aktualisieren.
- Schreibe
results.plot_imin ein Ausgabevideo, um das Diagramm zu speichern.
Verwende das obige Python-Beispiel als Ausgangspunkt – es führt bereits die vollständige Frame-Schleife aus, und ein Liniendiagramm ist das standardmäßige
analytics_type.Die Verwendung von Ultralytics YOLO26 zum Erstellen von Balkendiagrammen bietet mehrere Vorteile:
- Echtzeit-Datenvisualisierung: Integriere object detection-Ergebnisse nahtlos in Balkendiagramme für dynamische Aktualisierungen.
- Benutzerfreundlichkeit: Einfache API und Funktionen machen die Implementierung und Visualisierung von Daten unkompliziert.
- Anpassung: Passe Titel, Beschriftungen, Farben und mehr an, um deinen spezifischen Anforderungen gerecht zu werden.
- Effizienz: Verarbeite große Datenmengen effizient und aktualisiere Diagramme in Echtzeit während der Videoverarbeitung.
Um ein Balkendiagramm zu generieren, setze
analytics_type="bar"im obigen Python-Beispiel – der Rest der Frame-Schleife ist identisch. Siehe den Abschnitt Visual Samples für eine Vorschau.Ultralytics YOLO26 ist eine hervorragende Wahl für die Erstellung von Tortendiagrammen, weil:
- Integration mit Objekterkennung: Integriere Ergebnisse der Objekterkennung direkt in Tortendiagramme für unmittelbare Erkenntnisse.
- Benutzerfreundliche API: Einfach einzurichten und mit minimalem Codeaufwand zu verwenden.
- Anpassbar: Verschiedene Anpassungsoptionen für Farben, Beschriftungen und mehr.
- Echtzeit-Aktualisierungen: Verarbeite und visualisiere Daten in Echtzeit, was ideal für Videoanalyse-Projekte ist.
Um ein Kreisdiagramm zu generieren, setze
analytics_type="pie"im obigen Python-Beispiel. Weitere Informationen findest du im Abschnitt Visual Samples im Leitfaden.Ja. Das Tracking ist in die Lösung
Analyticsintegriert: Sie verfolgt mehrere Objekte in Echtzeit und aktualisiert das Diagramm in jedem Frame mit den Daten der verfolgten Objekte, sodass Liniendiagramme, Balkendiagramme, Kreisdiagramme und Flächendiagramme alle Live-Anzahlen widerspiegeln. Genau das tut die Frame-Schleife im obigen Python-Beispiel. Um mehr über die zugrundeliegende Tracking-Funktionalität zu erfahren, siehe den Abschnitt Tracking.Ultralytics YOLO26 hebt sich aus mehreren Gründen von anderen Objekterkennungslösungen wie OpenCV und TensorFlow ab:
- Höchste Genauigkeit: YOLO26 bietet überragende Genauigkeit bei object detection-, instance segmentation-, semantic segmentation- und classification-Aufgaben.
- Benutzerfreundlichkeit: Die benutzerfreundliche API ermöglicht eine schnelle Implementierung und Integration ohne umfangreiche Programmierung.
- Echtzeit-Leistung: Optimiert für High-Speed-Inferenz, geeignet für Echtzeitanwendungen.
- Vielfältige Anwendungen: Unterstützt Multi-Objekt-Tracking, das Training eigener Modelle und den Export in verschiedene Formate wie ONNX, TensorRT und CoreML.
- Umfassende Dokumentation: Umfangreiche Dokumentation und Blog-Ressourcen, um Benutzer durch jeden Schritt zu führen.
Für detailliertere Vergleiche und Anwendungsfälle erkunde unseren Ultralytics Blog.