Meet YOLO26: next-gen vision AI.

Link to this sectionAnalysen mit Ultralytics YOLO26#

Analysen mit Ultralytics YOLO26 wandeln Ergebnisse aus der Objekterkennung und -verfolgung in Echtzeit-Diagramme um, damit du verfolgen kannst, wie sich Objektzahlen in einem Video von Frame zu Frame verändern. Dieser Leitfaden behandelt vier Arten der Datenvisualisierung – Liniendiagramme, Balkendiagramme, Tortendiagramme und Flächendiagramme – und zeigt, wie du mithilfe von gemeinsamen Python- und CLI-Beispielen zwischen ihnen wechseln kannst.



Watch: How to generate Analytical Graphs using Ultralytics | Line Graphs, Bar Plots, Area and Pie Charts

Link to this sectionVisuelle Beispiele#

LiniendiagrammBalkendiagrammTortendiagramm
YOLO-Analyse-Liniendiagramm für Objekt-TrackingYOLO-Analyse-Balkendiagramm für ErkennungsanzahlenYOLO-Analyse-Tortendiagramm für Klassenverteilung

Link to this sectionWarum 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.

Link to this sectionAnalyse-Diagramme generieren#

Übergib dein Video an die Analytics-Lösung und wähle ein Diagramm mit analytics_type aus. Die Lösung führt in jedem Frame eine Erkennung und Verfolgung durch und rendert ein 1280×720-Diagramm (standardmäßig), das du direkt in ein Ausgabe-Video schreiben kannst. Wechsle mit einem einzigen Argument zwischen "line", "bar", "pie" und "area".

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

Link to this sectionAnalytics-Argumente#

Hier ist eine Tabelle mit den Analytics-Argumenten:

ArgumentTypStandardBeschreibung
modelstrNonePfad zu einer Ultralytics YOLO-Modelldatei.
analytics_typestr'line'Art des Diagramms, z. B. line, bar, area oder pie.

Du kannst auch verschiedene track-Argumente in der Analytics-Lösung nutzen.

ArgumentTypStandardBeschreibung
trackerstr'botsort.yaml'Legt den zu verwendenden Tracking-Algorithmus fest. Integrierte Optionen: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml.
conffloat0.1Legt den Konfidenz-Schwellenwert für Detektionen fest; niedrigere Werte ermöglichen die Verfolgung von mehr Objekten, können aber zu falsch-positiven Ergebnissen führen.
ioufloat0.7Legt den IoU-Schwellenwert für das Filtern überlappender Detektionen fest.
classeslistNoneFiltert Ergebnisse nach Klassenindex. Zum Beispiel verfolgt classes=[0, 2, 3] nur die angegebenen Klassen.
verboseboolTrueSteuert die Anzeige der Tracking-Ergebnisse und bietet eine visuelle Ausgabe der verfolgten Objekte.
devicestrNoneGibt das Gerät für die Inferenz an (z. B. cpu, cuda:0 oder 0). Ermöglicht die Wahl zwischen CPU, einer spezifischen GPU oder anderen Rechengeräten für die Modellausführung.

Zusätzlich werden die folgenden Visualisierungsargumente unterstützt:

ArgumentTypStandardBeschreibung
showboolFalseWenn True, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für sofortiges visuelles Feedback während der Entwicklung oder Tests.
line_widthint or NoneNoneLegt die Linienbreite der BBoxen fest. Wenn None, wird die Linienbreite automatisch basierend auf der Bildgröße angepasst. Bietet visuelle Anpassungsmöglichkeiten für mehr Klarheit.

Link to this sectionFazit#

Zu verstehen, wann und wie man verschiedene Arten von Visualisierungen einsetzt, ist entscheidend für eine effektive Datenanalyse. Liniendiagramme, Balkendiagramme und Tortendiagramme sind grundlegende Werkzeuge, die dir dabei helfen können, die Geschichte deiner Daten klarer und effektiver zu vermitteln. Die Ultralytics YOLO26 Analytics-Lösung bietet einen optimierten Weg, diese Visualisierungen aus deinen Ergebnissen der Objekterkennung und des Trackings zu generieren, wodurch es einfacher wird, aussagekräftige Erkenntnisse aus deinen visuellen Daten zu gewinnen.

Link to this sectionFAQ#

Link to this sectionWie erstelle ich ein Liniendiagramm mit Ultralytics YOLO26 Analytics?#

Um ein Liniendiagramm mit Ultralytics YOLO26 Analytics zu erstellen, befolge diese Schritte:

  1. Lade ein YOLO26-Modell und öffne deine Videodatei.
  2. Initialisiere die Analytics-Klasse mit analytics_type="line".
  3. Iteriere durch die Video-Frames und rufe die Lösung in jedem Frame auf, um das Liniendiagramm mit Daten wie Objektzahlen zu aktualisieren.
  4. Schreibe results.plot_im in ein Ausgabe-Video, um das Diagramm zu speichern.

Verwende das Python-Beispiel oben als Ausgangspunkt – es führt bereits die vollständige Frame-Schleife aus, und ein Liniendiagramm ist der Standard analytics_type.

Link to this sectionWas sind die Vorteile der Verwendung von Ultralytics YOLO26 zum Erstellen von Balkendiagrammen?#

Die Verwendung von Ultralytics YOLO26 zum Erstellen von Balkendiagrammen bietet mehrere Vorteile:

  1. Echtzeit-Datenvisualisierung: Integriere Ergebnisse der Objekterkennung nahtlos in Balkendiagramme für dynamische Aktualisierungen.
  2. Benutzerfreundlichkeit: Einfache API und Funktionen machen die Implementierung und Visualisierung von Daten unkompliziert.
  3. Anpassung: Passe Titel, Beschriftungen, Farben und mehr an, um deinen spezifischen Anforderungen gerecht zu werden.
  4. Effizienz: Verarbeite große Datenmengen effizient und aktualisiere Diagramme in Echtzeit während der Videoverarbeitung.

Um ein Balkendiagramm zu generieren, setze analytics_type="bar" im Python-Beispiel oben – der Rest der Frame-Schleife ist identisch. Siehe den Abschnitt Visual Samples für eine Vorschau.

Link to this sectionWarum sollte ich Ultralytics YOLO26 für die Erstellung von Tortendiagrammen in meinen Datenvisualisierungsprojekten verwenden?#

Ultralytics YOLO26 ist eine hervorragende Wahl für die Erstellung von Tortendiagrammen, weil:

  1. Integration mit Objekterkennung: Integriere Ergebnisse der Objekterkennung direkt in Tortendiagramme für unmittelbare Erkenntnisse.
  2. Benutzerfreundliche API: Einfach einzurichten und mit minimalem Codeaufwand zu verwenden.
  3. Anpassbar: Verschiedene Anpassungsoptionen für Farben, Beschriftungen und mehr.
  4. Echtzeit-Aktualisierungen: Verarbeite und visualisiere Daten in Echtzeit, was ideal für Videoanalyse-Projekte ist.

Um ein Tortendiagramm zu generieren, setze analytics_type="pie" im Python-Beispiel oben. Weitere Informationen findest du im Abschnitt Visual Samples in diesem Leitfaden.

Link to this sectionKann Ultralytics YOLO26 verwendet werden, um Objekte zu tracken und Visualisierungen dynamisch zu aktualisieren?#

Ja. Tracking ist in die Analytics-Lösung integriert: Sie verfolgt mehrere Objekte in Echtzeit und aktualisiert das Diagramm bei jedem Frame anhand der Daten der verfolgten Objekte, sodass Liniendiagramme, Balkendiagramme, Tortendiagramme und Flächendiagramme alle Live-Zahlen widerspiegeln. Genau das macht die Frame-Schleife im Python-Beispiel oben. Um mehr über die zugrunde liegende Tracking-Funktionalität zu erfahren, siehe den Abschnitt Tracking.

Link to this sectionWas unterscheidet Ultralytics YOLO26 von anderen Objekterkennungslösungen wie OpenCV und TensorFlow?#

Ultralytics YOLO26 hebt sich aus mehreren Gründen von anderen Objekterkennungslösungen wie OpenCV und TensorFlow ab:

  1. Modernste Genauigkeit: YOLO26 bietet überlegene Genauigkeit bei Objekterkennung, Instanzsegmentierung, semantischer Segmentierung und Klassifizierungsaufgaben.
  2. Benutzerfreundlichkeit: Die benutzerfreundliche API ermöglicht eine schnelle Implementierung und Integration ohne umfangreiche Programmierung.
  3. Echtzeit-Leistung: Optimiert für High-Speed-Inferenz, geeignet für Echtzeitanwendungen.
  4. Vielseitige Anwendungen: Unterstützt verschiedene Aufgaben, einschließlich Multi-Objekt-Tracking, Training eigener Modelle und Export in verschiedene Formate wie ONNX, TensorRT und CoreML.
  5. Umfassende Dokumentation: Umfangreiche Dokumentation und Blog-Ressourcen, die dich bei jedem Schritt begleiten.

Für detailliertere Vergleiche und Anwendungsfälle erkunde unseren Ultralytics Blog.

Mitwirkende
GLglenn-jocher11RIRizwanMunawar9RAraimbekovm2MAMatthewNoyce2LAlakshanthad1IVIvorZhu3311

Kommentare