Analíticas usando Ultralytics YOLO26#
Analytics con Ultralytics YOLO26 convierte los resultados de object detection y seguimiento en gráficos en tiempo real, para que puedas ver cómo cambian los recuentos de objetos en un vídeo fotograma a fotograma. Esta guía cubre cuatro tipos de data visualization —gráficos de líneas, gráficos de barras, gráficos circulares y gráficos de área— y muestra cómo cambiar 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
Muestras visuales#
| Gráfico de líneas | Diagrama de barras | Gráfico circular |
|---|---|---|
 |  |  |
¿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.
Genera 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 genera un gráfico de 1280×720 (por defecto) que puedes escribir directamente en un vídeo de salida. Cambia 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=TrueArgumentos 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 grafo, es decir, line, bar, area o pie. |
line_width | int | 2 | Grosor de línea para las cajas, puntos clave y recuentos que dibuja la solución. |
verbose | bool | True | Habilita el registro por fotograma de la solución sobre la forma de entrada, los recuentos de clases y la velocidad de procesamiento. La llamada de seguimiento en sí siempre es silenciosa. |
También puedes aprovechar diferentes argumentos de track en la solución Analytics.
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Especifica el algoritmo de seguimiento que se va a utilizar. Opciones integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | 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 realiza el seguimiento de las clases especificadas. |
device | str | None | Especifica el dispositivo para la inferencia (por ejemplo, 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. Es útil para obtener retroalimentación visual inmediata durante el desarrollo o las pruebas. |
Conclusión#
Comprender cuándo y cómo usar diferentes tipos de visualizaciones es crucial para un análisis de datos eficaz. Los gráficos de líneas, los gráficos de barras y los gráficos circulares son herramientas fundamentales que pueden ayudarte a transmitir la historia de tus datos de forma más clara y eficaz. La solución Ultralytics YOLO26 Analytics proporciona una forma optimizada de generar estas visualizaciones a partir de tus resultados de object detection y seguimiento, facilitando la extracción de información significativa de tus datos visuales.
FAQ#
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.
Usa el Python example above como punto de partida; ya ejecuta el bucle de fotogramas completo, y un gráfico de líneas es el
analytics_typepor defecto.Usar Ultralytics YOLO26 para crear diagramas de barras ofrece varios beneficios:
- Real-time Data Visualization: Integra sin problemas los resultados de object detection en gráficos 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 Python example above; el resto del bucle de fotogramas es idéntico. Consulta la sección Visual Samples para ver una vista previa.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 Python example above. Para obtener más información, consulta la sección Visual Samples de la guía.Sí. El seguimiento está integrado en la solución
Analytics: realiza el seguimiento de varios 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, los gráficos de barras, los gráficos circulares y los gráficos de área reflejan recuentos en directo. Esto es exactamente lo que hace el bucle de fotogramas en el Python example above. Para obtener información sobre la funcionalidad de seguimiento subyacente, consulta la sección Tracking.Ultralytics YOLO26 destaca sobre otras soluciones de detección de objetos como OpenCV y TensorFlow por varias razones:
- State-of-the-art Accuracy: YOLO26 proporciona una precisión superior en tareas de object detection, instance segmentation, semantic segmentation y classification.
- 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: Soporta seguimiento de múltiples objetos, entrenamiento de modelos personalizados y exportación a diferentes formatos como ONNX, TensorRT y CoreML.
- Comprehensive Documentation: Amplia documentation y recursos de blog resources para guiar a los usuarios en cada paso.
Para obtener comparaciones y casos de uso más detallados, explora nuestro Ultralytics Blog.