Erweiterte Datenvisualisierung: Heatmaps mit Ultralytics YOLO26 🚀

Einführung in Heatmaps

Eine mit Ultralytics YOLO26 generierte Heatmap verwandelt komplexe Daten in eine lebendige, farbcodierte Matrix. Dieses visuelle Werkzeug verwendet ein Farbspektrum zur Darstellung unterschiedlicher Datenwerte, wobei wärmere Farbtöne höhere Intensitäten anzeigen und kühlere Töne niedrigere Werte signalisieren. Heatmaps eignen sich hervorragend zur Visualisierung komplexer Datenmuster, Korrelationen und Anomalien und bieten einen zugänglichen und ansprechenden Ansatz zur Dateninterpretation in verschiedensten Bereichen.

Watch: Heatmaps using Ultralytics YOLO26

Warum Heatmaps für die Datenanalyse wählen?

Intuitive Visualisierung der Datenverteilung: Heatmaps vereinfachen das Verständnis von Datenkonzentration und -verteilung, indem sie komplexe Datensätze in leicht verständliche visuelle Formate umwandeln.
Effiziente Mustererkennung: Durch die Visualisierung von Daten im Heatmap-Format wird es einfacher, Trends, Cluster und Ausreißer zu erkennen, was eine schnellere Analyse und Gewinnung von Erkenntnissen ermöglicht.
Verbesserte räumliche Analyse und Entscheidungsfindung: Heatmaps sind hilfreich bei der Veranschaulichung räumlicher Beziehungen und unterstützen Entscheidungsprozesse in Bereichen wie Business Intelligence, Umweltstudien und Stadtplanung.

Anwendungen in der Praxis

Transportwesen	Einzelhandel

Ultralytics YOLO26 Transport-Heatmap	Ultralytics YOLO26 Einzelhandels-Heatmap

Heatmaps mit Ultralytics YOLO

# Run a heatmap example
yolo solutions heatmap show=True

# Pass a source video
yolo solutions heatmap source="path/to/video.mp4"

# Pass a custom colormap
yolo solutions heatmap colormap=cv2.COLORMAP_INFERNO

# Heatmaps + object counting
yolo solutions heatmap region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]"

`Heatmap()`-Argumente

Hier ist eine Tabelle mit den Heatmap-Argumenten:

Argument	Typ	Standard	Beschreibung
`model`	`str`	`None`	Pfad zu einer Ultralytics YOLO-Modelldatei.
`colormap`	`int`	`cv2.COLORMAP_DEEPGREEN`	Farbskala, die für die Heatmap verwendet werden soll.
`show_in`	`bool`	`True`	Flag zur Steuerung, ob die 'In'-Zählungen auf dem Videostream angezeigt werden sollen.
`show_out`	`bool`	`True`	Flag zur Steuerung, ob die 'Out'-Zählungen auf dem Videostream angezeigt werden sollen.
`region`	`list`	`'[(20, 400), (1260, 400)]'`	Liste von Punkten, die den Zählbereich definieren.

Du kannst auch verschiedene track-Argumente in der Heatmap-Lösung anwenden.

Argument	Typ	Standard	Beschreibung
`tracker`	`str`	`'botsort.yaml'`	Legt den zu verwendenden Tracking-Algorithmus fest, z. B. `bytetrack.yaml` oder `botsort.yaml`.
`conf`	`float`	`0.1`	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 Intersection over Union (IoU) Schwellenwert zum Filtern überlappender Detektionen fest.
`classes`	`list`	`None`	Filtert Ergebnisse nach Klassen-Index. Beispiel: `classes=[0, 2, 3]` verfolgt nur die angegebenen Klassen.
`verbose`	`bool`	`True`	Steuert die Anzeige der Tracking-Ergebnisse und liefert eine visuelle Ausgabe der verfolgten Objekte.
`device`	`str`	`None`	Spezifiziert das Gerät für die Inferenz (z. B. `cpu`, `cuda:0` oder `0`). Ermöglicht die Wahl zwischen CPU, einer spezifischen GPU oder anderen Recheneinheiten zur Modellausführung.

Zusätzlich sind die unterstützten Visualisierungsargumente unten aufgeführt:

Argument	Typ	Standard	Beschreibung
`show`	`bool`	`False`	Wenn `True`, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für direktes visuelles Feedback während der Entwicklung oder beim Testen.
`line_width`	`int or None`	`None`	Gibt die Linienbreite der Bounding-Boxen an. Wenn `None`, wird die Linienbreite automatisch basierend auf der Bildgröße angepasst. Bietet visuelle Anpassung für mehr Klarheit.
`show_conf`	`bool`	`True`	Zeigt den Konfidenzwert für jede Erkennung neben dem Label an. Gibt Aufschluss über die Sicherheit des Modells bei jeder Erkennung.
`show_labels`	`bool`	`True`	Zeigt Labels für jede Erkennung in der visuellen Ausgabe an. Bietet unmittelbares Verständnis der erkannten Objekte.

Heatmap-COLORMAPs

Name der Colormap	Beschreibung
`cv::COLORMAP_AUTUMN`	Herbst-Farbskala
`cv::COLORMAP_BONE`	Knochen-Farbskala
`cv::COLORMAP_JET`	Jet-Farbskala
`cv::COLORMAP_WINTER`	Winter-Farbskala
`cv::COLORMAP_RAINBOW`	Regenbogen-Farbskala
`cv::COLORMAP_OCEAN`	Ozean-Farbskala
`cv::COLORMAP_SUMMER`	Sommer-Farbskala
`cv::COLORMAP_SPRING`	Frühlings-Farbskala
`cv::COLORMAP_COOL`	Kühl-Farbskala
`cv::COLORMAP_HSV`	HSV (Farbton, Sättigung, Wert)-Farbskala
`cv::COLORMAP_PINK`	Pink-Farbskala
`cv::COLORMAP_HOT`	Heiß-Farbskala
`cv::COLORMAP_PARULA`	Parula-Farbskala
`cv::COLORMAP_MAGMA`	Magma-Farbskala
`cv::COLORMAP_INFERNO`	Inferno-Farbskala
`cv::COLORMAP_PLASMA`	Plasma-Farbskala
`cv::COLORMAP_VIRIDIS`	Viridis-Farbskala
`cv::COLORMAP_CIVIDIS`	Cividis-Farbskala
`cv::COLORMAP_TWILIGHT`	Dämmerungs-Farbskala
`cv::COLORMAP_TWILIGHT_SHIFTED`	Verschobene Dämmerungs-Farbskala
`cv::COLORMAP_TURBO`	Turbo-Farbskala
`cv::COLORMAP_DEEPGREEN`	Dunkelgrün-Farbskala

Diese Farbskalen werden häufig zur Visualisierung von Daten mit unterschiedlichen Farbdarstellungen verwendet.

Wie Heatmaps in Ultralytics YOLO26 funktionieren

Die Heatmap-Lösung in Ultralytics YOLO26 erweitert die ObjectCounter-Klasse, um Bewegungsmuster in Videoströmen zu generieren und zu visualisieren. Bei der Initialisierung erstellt die Lösung eine leere Heatmap-Ebene, die aktualisiert wird, während Objekte sich durch den Frame bewegen.

Für jedes erkannte Objekt führt die Lösung folgende Schritte aus:

Verfolgt das Objekt über Frames hinweg unter Verwendung der Tracking-Funktionen von YOLO26
Aktualisiert die Heatmap-Intensität am Standort des Objekts
Wendet eine ausgewählte Farbskala an, um die Intensitätswerte zu visualisieren
Legt die farbige Heatmap über den ursprünglichen Frame

Das Ergebnis ist eine dynamische Visualisierung, die sich im Laufe der Zeit aufbaut und Verkehrsmuster, Bewegungen von Menschenmengen oder andere räumliche Verhaltensweisen in deinen Videodaten aufdeckt.

FAQ

Wie generiert Ultralytics YOLO26 Heatmaps und was sind deren Vorteile?

Ultralytics YOLO26 generiert Heatmaps, indem komplexe Daten in eine farbcodierte Matrix umgewandelt werden, in der verschiedene Farbtöne Datenintensitäten darstellen. Heatmaps erleichtern die Visualisierung von Mustern, Korrelationen und Anomalien in den Daten. Wärmere Farbtöne zeigen höhere Werte an, während kühlere Töne niedrigere Werte darstellen. Die Hauptvorteile umfassen eine intuitive Visualisierung der Datenverteilung, eine effiziente Mustererkennung und eine verbesserte räumliche Analyse zur Entscheidungsfindung. Weitere Details und Konfigurationsoptionen findest du im Abschnitt Heatmap-Konfiguration.

Kann ich Ultralytics YOLO26 verwenden, um gleichzeitig Objekt-Tracking durchzuführen und eine Heatmap zu generieren?

Ja, Ultralytics YOLO26 unterstützt Objekt-Tracking und Heatmap-Generierung gleichzeitig. Dies kann durch die Heatmap-Lösung erreicht werden, die in Objekt-Tracking-Modelle integriert ist. Um dies zu tun, musst du das Heatmap-Objekt initialisieren und die Tracking-Funktionen von YOLO26 verwenden. Hier ist ein einfaches Beispiel:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
heatmap = solutions.Heatmap(colormap=cv2.COLORMAP_PARULA, show=True, model="yolo26n.pt")

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    results = heatmap(im0)
cap.release()
cv2.destroyAllWindows()

Für weitere Anleitungen schaue dir die Seite Tracking-Modus an.

Was unterscheidet Ultralytics YOLO26-Heatmaps von anderen Datenvisualisierungstools wie denen von OpenCV oder Matplotlib?

Ultralytics YOLO26-Heatmaps wurden speziell für die Integration mit den Objekterkennungs- und Tracking-Modellen entwickelt und bieten eine End-to-End-Lösung für die Datenanalyse in Echtzeit. Im Gegensatz zu allgemeinen Visualisierungstools wie OpenCV oder Matplotlib sind YOLO26-Heatmaps für Leistung und automatisierte Verarbeitung optimiert und unterstützen Funktionen wie persistentes Tracking, Anpassung des Abklingfaktors und Echtzeit-Video-Overlay. Für weitere Informationen zu den einzigartigen Funktionen von YOLO26 besuche die Einführung zu Ultralytics YOLO26.

Wie kann ich in Heatmaps mit Ultralytics YOLO26 nur bestimmte Objektklassen visualisieren?

Du kannst spezifische Objektklassen visualisieren, indem du die gewünschten Klassen in der track()-Methode des YOLO-Modells angibst. Wenn du beispielsweise nur Autos und Personen visualisieren möchtest (unter der Annahme, dass ihre Klassen-Indizes 0 und 2 sind), kannst du den classes-Parameter entsprechend einstellen.

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
heatmap = solutions.Heatmap(show=True, model="yolo26n.pt", classes=[0, 2])

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    results = heatmap(im0)
cap.release()
cv2.destroyAllWindows()

Warum sollten Unternehmen Ultralytics YOLO26 für die Heatmap-Generierung in der Datenanalyse wählen?

Ultralytics YOLO26 bietet eine nahtlose Integration von fortschrittlicher Objekterkennung und Echtzeit-Heatmap-Generierung, was es zu einer idealen Wahl für Unternehmen macht, die Daten effektiver visualisieren möchten. Zu den Hauptvorteilen gehören eine intuitive Visualisierung der Datenverteilung, eine effiziente Mustererkennung und eine verbesserte räumliche Analyse für eine bessere Entscheidungsfindung. Zusätzlich machen YOLO26-Funktionen wie persistentes Tracking, anpassbare Farbskalen und die Unterstützung verschiedener Exportformate das Tool gegenüber anderen Optionen wie TensorFlow und OpenCV für eine umfassende Datenanalyse überlegen. Erfahre mehr über Geschäftsanwendungen unter Ultralytics-Pläne.

Contributors

GLglenn-jocher¹⁹ RIRizwanMunawar¹⁹ MAMatthewNoyce² PDpderrenger¹ IVIvorZhu331¹ AYAyushExel¹ YOYOLOv5-Magic¹

Created 6. Dez. 2023Updated letzten Monat