Wie erstelle ich mit der Analysefunktion von Ultralytics YOLO26 ein Liniendiagramm?

Gehe zum Erstellen eines Liniendiagramms mit der Analysefunktion von Ultralytics YOLO26 wie folgt vor: Lade ein YOLO26-Modell und öffne deine Videodatei. Initialisiere die Klasse Analytics mit analytics_type="line". Durchlaufe die Videobilder und rufe für jedes Bild die Lösung auf, um das Liniendiagramm mit Daten wie Objektzahlen zu aktualisieren. Schreibe results.plot_im in ein Ausgabevideo, um das Diagramm zu speichern. Verwende das Python-Beispiel oben als Ausgangspunkt — es führt bereits die vollständige Bildschleife aus, und ein Liniendiagramm ist der Standardwert für analytics_type.

Welche Vorteile bietet die Verwendung von Ultralytics YOLO26 zum Erstellen von Balkendiagrammen?

Die Verwendung von Ultralytics YOLO26 zum Erstellen von Balkendiagrammen bietet mehrere Vorteile: Datenvisualisierung in Echtzeit: Integriere Ergebnisse der Objekterkennung nahtlos in Balkendiagramme und aktualisiere sie dynamisch. Einfache Verwendung: Die einfache API und die unkomplizierten Funktionen erleichtern die Implementierung und Visualisierung von Daten. Anpassbarkeit: Passe Titel, Beschriftungen, Farben und mehr an deine spezifischen Anforderungen an. Effizienz: Verarbeite große Datenmengen effizient und aktualisiere Diagramme während der Videoverarbeitung in Echtzeit. Um ein Balkendiagramm zu erzeugen, setze analytics_type="bar" im Python-Beispiel oben — der Rest der Bildschleife bleibt unverändert. Eine Vorschau findest du im Abschnitt Visuelle Beispiele.

Warum sollte ich Ultralytics YOLO26 zum Erstellen von Kreisdiagrammen in meinen Datenvisualisierungsprojekten verwenden?

Ultralytics YOLO26 eignet sich hervorragend zum Erstellen von Kreisdiagrammen, weil: Integration mit der Objekterkennung: Integriere Ergebnisse der Objekterkennung direkt in Kreisdiagramme und gewinne sofort Erkenntnisse. Benutzerfreundliche API: Mit wenig Code einfach einzurichten und zu verwenden. Anpassbar: Bietet verschiedene Optionen zur Anpassung von Farben, Beschriftungen und mehr. Aktualisierungen in Echtzeit: Verarbeite und visualisiere Daten in Echtzeit – ideal für Videanalyseprojekte. Um ein Kreisdiagramm zu erzeugen, setze analytics_type="pie" im Python-Beispiel oben. Weitere Informationen findest du im Leitfaden im Abschnitt Visuelle Beispiele.

Was unterscheidet Ultralytics YOLO26 von anderen Lösungen zur Objekterkennung wie OpenCV und TensorFlow?

Ultralytics YOLO26 unterscheidet sich aus mehreren Gründen von anderen Lösungen zur Objekterkennung wie OpenCV und TensorFlow: Modernste Genauigkeit: YOLO26 bietet eine höhere Genauigkeit bei Aufgaben der Objekterkennung, Instanzsegmentierung, semantischen Segmentierung und Klassifizierung. Einfache Verwendung: Die benutzerfreundliche API ermöglicht eine schnelle Implementierung und Integration ohne umfangreichen Programmieraufwand. Echtzeitleistung: Für schnelle Inferenz optimiert und daher für Echtzeitanwendungen geeignet. Vielfältige Einsatzmöglichkeiten: Unterstützt Multi-Objekt-Tracking, das Training benutzerdefinierter Modelle und den Export in verschiedene Formate wie ONNX, TensorRT und CoreML. Umfassende Dokumentation: Ausführliche Dokumentation und Blog-Ressourcen führen dich durch jeden Schritt. Weitere detaillierte Vergleiche und Anwendungsfälle findest du in unserem Ultralytics Blog.

Analysen mit Ultralytics YOLO26#

Q: Kann Ultralytics YOLO26 zur Objektverfolgung und zur dynamischen Aktualisierung von Visualisierungen verwendet werden?

Ja. Tracking ist in die Lösung Analytics integriert: Sie verfolgt mehrere Objekte in Echtzeit und aktualisiert das Diagramm in jedem Bild anhand der Daten der verfolgten Objekte, sodass Liniendiagramme, Balkendiagramme, Kreisdiagramme und Flächendiagramme stets die aktuellen Zahlen widerspiegeln. Genau das macht die Bildschleife im Python-Beispiel oben. Informationen zur zugrunde liegenden Tracking-Funktion findest du im Abschnitt Tracking.

Analysen mit Ultralytics YOLO26 verwandeln Ergebnisse aus der Objekterkennung und dem Tracking in Echtzeitdiagramme, sodass du beobachten kannst, wie sich Objektzahlen von Bild zu Bild in einem Video verändern. Dieser Leitfaden behandelt vier Arten der Datenvisualisierung — Liniendiagramme, Balkendiagramme, Kreisdiagramme und Flächendiagramme — und zeigt anhand gemeinsamer Python- und CLI-Beispiele, wie du zwischen ihnen wechselst.

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

Visuelle Beispiele#

Liniendiagramm	Balkendiagramm	Kreisdiagramm

Warum Erkennungsdaten visualisieren?#

Liniendiagramme eignen sich ideal, um Veränderungen über kurze und lange Zeiträume zu verfolgen und Veränderungen mehrerer Gruppen im selben Zeitraum zu vergleichen.
Balkendiagramme eignen sich zum Vergleichen von Mengen in verschiedenen Kategorien und zum Darstellen von Beziehungen zwischen einer Kategorie und ihrem numerischen Wert.
Kreisdiagramme eignen sich besonders gut, um Anteile zwischen Kategorien zu veranschaulichen und Teile eines Ganzen darzustellen.
Flächendiagramme füllen das Liniendiagramm aus, sodass klassenbezogene Objektzahlen im Zeitverlauf auf einen Blick leichter zu erfassen sind.

Analysegraphen erzeugen#

Übergib dein Video an die Lösung Analytics und wähle mit analytics_type ein Diagramm aus. Die Lösung führt für jedes Bild eine Erkennung und ein Tracking durch und rendert standardmäßig ein Diagramm mit 1280×720 Pixeln, das du direkt in ein Ausgabevideo schreiben kannst. Mit einem einzigen Argument kannst du zwischen "line", "bar", "pie" und "area" wechseln.

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

Argumente von `Analytics`#

Hier findest du eine Tabelle mit den Argumenten für die Analyse:

Argument	Typ	Standardwert	Beschreibung
`model`	`str`	`None`	Pfad zu einer YOLO-Modell-Datei von Ultralytics.
`analytics_type`	`str`	`'line'`	Art des Diagramms, also `line`, `bar`, `area` oder `pie`.
`line_width`	`int`	`2`	Linienstärke für die von der Lösung gezeichneten Boxen, Keypoints und Zählwerte.
`verbose`	`bool`	`True`	Aktiviert das Protokoll der Lösung pro Frame mit Eingabeform, Klassenanzahlen und Verarbeitungsgeschwindigkeit. Der Tracking-Aufruf selbst bleibt immer ohne Ausgabe.

Du kannst in der Lösung Analytics auch verschiedene Argumente für track verwenden.

Argument	Typ	Standardwert	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 Konfidenzschwellenwert für Erkennungen fest. Niedrigere Werte ermöglichen das Verfolgen weiterer Objekte, können aber Fehlalarme einschließen.
`iou`	`float`	`0.7`	Legt den Schwellenwert für Intersection over Union (IoU) zum Filtern überlappender Erkennungen fest.
`classes`	`list`	`None`	Filtert Ergebnisse nach Klassenindex. Beispielsweise 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 die Auswahl zwischen CPU, einer bestimmten GPU oder anderen Rechengeräten für die Modellausführung.
`imgsz`	`int or tuple`	`640`	Ziel-Inferenzbildgröße: eine ganze Zahl für ein quadratisches Bild oder ein `(height, width)`-Paar. Die Formate werden an die Modellschrittweite angepasst.
`max_det`	`int`	`300`	Maximale Anzahl pro Frame beibehaltener Detektionen vor dem Tracking, wodurch die Objekte begrenzt werden, die eine Solution in dichten Szenen verarbeitet.
`quantize`	`int or str`	`None`	Inferenzpräzision: `16` (FP16) oder `32`/nicht gesetzt (FP32) für PyTorch- und TorchScript-Modelle; andere Formate berechnen mit der Präzision, die ihr Artefakt und ihre Laufzeit auswählen. Ersetzt das veraltete `half`-Flag.

Zusätzlich werden die folgenden Argumente für die Visualisierung unterstützt:

Argument	Typ	Standardwert	Beschreibung
`show`	`bool`	`False`	Wenn `True`, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Dies ist nützlich für unmittelbares visuelles Feedback während der Entwicklung oder des Testens.

Fazit#

Für eine effektive Datenanalyse ist es entscheidend zu verstehen, wann und wie du die verschiedenen Arten der Visualisierung einsetzt. Liniendiagramme, Balkendiagramme und Kreisdiagramme sind grundlegende Werkzeuge, mit denen du die Geschichte deiner Daten klarer und wirkungsvoller vermitteln kannst. Die Analyselösung Ultralytics YOLO26 bietet eine optimierte Möglichkeit, diese Visualisierungen aus deinen Ergebnissen der Objekterkennung und des Trackings zu erzeugen, sodass du leichter aussagekräftige Erkenntnisse aus deinen visuellen Daten gewinnst.

FAQ#

Gehe zum Erstellen eines Liniendiagramms mit der Analysefunktion von Ultralytics YOLO26 wie folgt vor:
1. Lade ein YOLO26-Modell und öffne deine Videodatei.
2. Initialisiere die Klasse Analytics mit analytics_type="line".
3. Durchlaufe die Videobilder und rufe für jedes Bild die Lösung auf, um das Liniendiagramm mit Daten wie Objektzahlen zu aktualisieren.
4. Schreibe results.plot_im in ein Ausgabevideo, um das Diagramm zu speichern.
Verwende das Python-Beispiel oben als Ausgangspunkt — es führt bereits die vollständige Bildschleife aus, und ein Liniendiagramm ist der Standardwert für analytics_type.
Die Verwendung von Ultralytics YOLO26 zum Erstellen von Balkendiagrammen bietet mehrere Vorteile:
1. Datenvisualisierung in Echtzeit: Integriere Ergebnisse der Objekterkennung nahtlos in Balkendiagramme und aktualisiere sie dynamisch.
2. Einfache Verwendung: Die einfache API und die unkomplizierten Funktionen erleichtern die Implementierung und Visualisierung von Daten.
3. Anpassbarkeit: Passe Titel, Beschriftungen, Farben und mehr an deine spezifischen Anforderungen an.
4. Effizienz: Verarbeite große Datenmengen effizient und aktualisiere Diagramme während der Videoverarbeitung in Echtzeit.
Um ein Balkendiagramm zu erzeugen, setze analytics_type="bar" im Python-Beispiel oben — der Rest der Bildschleife bleibt unverändert. Eine Vorschau findest du im Abschnitt Visuelle Beispiele.
Ultralytics YOLO26 eignet sich hervorragend zum Erstellen von Kreisdiagrammen, weil:
1. Integration mit der Objekterkennung: Integriere Ergebnisse der Objekterkennung direkt in Kreisdiagramme und gewinne sofort Erkenntnisse.
2. Benutzerfreundliche API: Mit wenig Code einfach einzurichten und zu verwenden.
3. Anpassbar: Bietet verschiedene Optionen zur Anpassung von Farben, Beschriftungen und mehr.
4. Aktualisierungen in Echtzeit: Verarbeite und visualisiere Daten in Echtzeit – ideal für Videanalyseprojekte.
Um ein Kreisdiagramm zu erzeugen, setze analytics_type="pie" im Python-Beispiel oben. Weitere Informationen findest du im Leitfaden im Abschnitt Visuelle Beispiele.
Ja. Tracking ist in die Lösung Analytics integriert: Sie verfolgt mehrere Objekte in Echtzeit und aktualisiert das Diagramm in jedem Bild anhand der Daten der verfolgten Objekte, sodass Liniendiagramme, Balkendiagramme, Kreisdiagramme und Flächendiagramme stets die aktuellen Zahlen widerspiegeln. Genau das macht die Bildschleife im Python-Beispiel oben. Informationen zur zugrunde liegenden Tracking-Funktion findest du im Abschnitt Tracking.
Ultralytics YOLO26 unterscheidet sich aus mehreren Gründen von anderen Lösungen zur Objekterkennung wie OpenCV und TensorFlow:
1. Modernste Genauigkeit: YOLO26 bietet eine höhere Genauigkeit bei Aufgaben der Objekterkennung, Instanzsegmentierung, semantischen Segmentierung und Klassifizierung.
2. Einfache Verwendung: Die benutzerfreundliche API ermöglicht eine schnelle Implementierung und Integration ohne umfangreichen Programmieraufwand.
3. Echtzeitleistung: Für schnelle Inferenz optimiert und daher für Echtzeitanwendungen geeignet.
4. Vielfältige Einsatzmöglichkeiten: Unterstützt Multi-Objekt-Tracking, das Training benutzerdefinierter Modelle und den Export in verschiedene Formate wie ONNX, TensorRT und CoreML.
5. Umfassende Dokumentation: Ausführliche Dokumentation und Blog-Ressourcen führen dich durch jeden Schritt.
Weitere detaillierte Vergleiche und Anwendungsfälle findest du in unserem Ultralytics Blog.

Mitwirkende

GLglenn-jocher¹¹ RIRizwanMunawar⁹ RAraimbekovm⁶ MAMatthewNoyce² LAlakshanthad¹ IVIvorZhu331¹

Erstellt 23. Mai 2024Aktualisiert vor 3 Tagen