Link to this sectionAnalíticas usando Ultralytics YOLO26#
El análisis con Ultralytics YOLO26 convierte los resultados de detección de objetos y seguimiento en gráficos en tiempo real, para que puedas observar cómo cambian los recuentos de objetos a través de un vídeo fotograma a fotograma. Esta guía cubre cuatro tipos de visualización de datos: gráficos de líneas, gráficos de barras, gráficos circulares y gráficos de áreas, y muestra cómo alternar entre ellos con ejemplos compartidos de Python y CLI.
Watch: How to generate Analytical Graphs using Ultralytics | Line Graphs, Bar Plots, Area and Pie Charts
Link to this sectionMuestras visuales#
| Gráfico de líneas | Diagrama de barras | Gráfico circular |
|---|---|---|
 |  |  |
Link to this section¿Por qué visualizar datos de detección?#
- Los gráficos de líneas son ideales para seguir cambios durante períodos cortos y largos, y para comparar cambios de varios grupos durante el mismo período.
- Los gráficos de barras son adecuados para comparar cantidades entre diferentes categorías y mostrar relaciones entre una categoría y su valor numérico.
- Los gráficos circulares son eficaces para ilustrar proporciones entre categorías y mostrar partes de un todo.
- Los gráficos de áreas rellenan el gráfico de líneas para que los recuentos de objetos por clase a lo largo del tiempo sean más fáciles de leer de un vistazo.
Link to this sectionGenera gráficos de análisis#
Pasa tu vídeo a la solución Analytics y selecciona un gráfico con analytics_type. La solución ejecuta la detección y el seguimiento en cada fotograma y renderiza un gráfico de 1280×720 (por defecto) que puedes escribir directamente en un vídeo de salida. Alterna entre "line", "bar", "pie" y "area" con un solo argumento.
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=TrueLink to this sectionArgumentos de Analytics#
Aquí tienes una tabla que resume los argumentos de Analytics:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
model | str | None | Ruta a un archivo de modelo YOLO de Ultralytics. |
analytics_type | str | 'line' | Tipo de gráfico, p. ej., line, bar, area o pie. |
También puedes aprovechar diferentes argumentos de track en la solución Analytics.
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Especifica el algoritmo de seguimiento a utilizar. Opciones integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.1 | Establece el umbral de confianza para las detecciones; valores más bajos permiten el seguimiento de más objetos, pero pueden incluir falsos positivos. |
iou | float | 0.7 | Establece el umbral de Intersection over Union (IoU) para filtrar detecciones superpuestas. |
classes | list | None | Filtra los resultados por índice de clase. Por ejemplo, classes=[0, 2, 3] solo rastrea las clases especificadas. |
verbose | bool | True | Controla la visualización de los resultados de seguimiento, proporcionando una salida visual de los objetos rastreados. |
device | str | None | Especifica el dispositivo para la inferencia (p. ej., cpu, cuda:0 o 0). Permite a los usuarios seleccionar entre CPU, una GPU específica u otros dispositivos de computación para la ejecución del modelo. |
Adicionalmente, se admiten los siguientes argumentos de visualización:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
show | bool | False | Si es True, muestra las imágenes o vídeos anotados en una ventana. Útil para una retroalimentación visual inmediata durante el desarrollo o las pruebas. |
line_width | int or None | None | Especifica el ancho de línea de los cuadros delimitadores. Si es None, el ancho de línea se ajusta automáticamente según el tamaño de la imagen. Proporciona personalización visual para mayor claridad. |
Link to this sectionConclusión#
Comprender cuándo y cómo usar distintos tipos de visualizaciones es crucial para un análisis de datos eficaz. Los gráficos de líneas, los diagramas de barras y los gráficos circulares son herramientas fundamentales que pueden ayudarte a transmitir la historia de tus datos de manera más clara y efectiva. La solución de analítica de Ultralytics YOLO26 proporciona una forma simplificada de generar estas visualizaciones a partir de tus resultados de detección de objetos y seguimiento, facilitando la extracción de información significativa de tus datos visuales.
Link to this sectionFAQ#
Link to this section¿Cómo creo un gráfico de líneas usando las analíticas de Ultralytics YOLO26?#
Para crear un gráfico de líneas usando las analíticas de Ultralytics YOLO26, sigue estos pasos:
- Carga un modelo YOLO26 y abre tu archivo de vídeo.
- Inicializa la clase
Analyticsconanalytics_type="line". - Itera a través de los fotogramas del vídeo, llamando a la solución en cada fotograma para actualizar el gráfico de líneas con datos como los recuentos de objetos.
- Escribe
results.plot_imen un vídeo de salida para guardar el gráfico.
Utiliza el ejemplo de Python anterior como punto de partida; ya ejecuta el bucle de fotogramas completo, y un gráfico de líneas es el analytics_type predeterminado.
Link to this section¿Cuáles son los beneficios de usar Ultralytics YOLO26 para crear diagramas de barras?#
Usar Ultralytics YOLO26 para crear diagramas de barras ofrece varios beneficios:
- Visualización de datos en tiempo real: Integra sin problemas los resultados de detección de objetos en diagramas de barras para actualizaciones dinámicas.
- Facilidad de uso: La API y las funciones simples facilitan la implementación y visualización de datos.
- Personalización: Ajusta títulos, etiquetas, colores y más para satisfacer tus requisitos específicos.
- Eficiencia: Maneja eficientemente grandes cantidades de datos y actualiza gráficos en tiempo real durante el procesamiento de vídeo.
Para generar un gráfico de barras, establece analytics_type="bar" en el ejemplo de Python anterior; el resto del bucle de fotogramas es idéntico. Consulta la sección Visual Samples para obtener una vista previa.
Link to this section¿Por qué debería usar Ultralytics YOLO26 para crear gráficos circulares en mis proyectos de visualización de datos?#
Ultralytics YOLO26 es una excelente elección para crear gráficos circulares porque:
- Integración con detección de objetos: Integra directamente los resultados de la detección de objetos en gráficos circulares para obtener información inmediata.
- API fácil de usar: Es simple de configurar y utilizar con un código mínimo.
- Personalizable: Cuenta con diversas opciones de personalización para colores, etiquetas y más.
- Actualizaciones en tiempo real: Maneja y visualiza datos en tiempo real, lo cual es ideal para proyectos de analítica de vídeo.
Para generar un gráfico circular, establece analytics_type="pie" en el ejemplo de Python anterior. Para obtener más información, consulta la sección Visual Samples en la guía.
Link to this section¿Se puede usar Ultralytics YOLO26 para rastrear objetos y actualizar visualizaciones de forma dinámica?#
Sí. El seguimiento está integrado en la solución Analytics: realiza el seguimiento de múltiples objetos en tiempo real y actualiza el gráfico a partir de los datos de los objetos rastreados en cada fotograma, por lo que los gráficos de líneas, de barras, circulares y de áreas reflejan recuentos en directo. Esto es exactamente lo que hace el bucle de fotogramas en el ejemplo de Python anterior. Para aprender sobre la funcionalidad de seguimiento subyacente, consulta la sección Tracking.
Link to this section¿Qué hace que Ultralytics YOLO26 sea diferente de otras soluciones de detección de objetos como OpenCV y TensorFlow?#
Ultralytics YOLO26 destaca sobre otras soluciones de detección de objetos como OpenCV y TensorFlow por varias razones:
- Precisión de vanguardia: YOLO26 ofrece una precisión superior en tareas de detección de objetos, segmentación de instancias, segmentación semántica y clasificación.
- Facilidad de uso: La API fácil de usar permite una implementación e integración rápidas sin necesidad de codificación extensa.
- Rendimiento en tiempo real: Optimizado para inferencia de alta velocidad, adecuado para aplicaciones en tiempo real.
- Aplicaciones diversas: Admite varias tareas, incluyendo el seguimiento de múltiples objetos, entrenamiento de modelos personalizados y exportación a diferentes formatos como ONNX, TensorRT y CoreML.
- Documentación integral: Documentación exhaustiva y recursos de blog para guiarte en cada paso.
Para comparaciones más detalladas y casos de uso, explora nuestro Blog de Ultralytics.