Análisis con Ultralytics YOLO26#
El análisis con Ultralytics YOLO26 convierte los resultados de la detección de objetos y el seguimiento en gráficos en tiempo real, para que puedas ver cómo cambian los recuentos de objetos fotograma a fotograma en un vídeo. Esta guía explica 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.
Ver: Cómo generar gráficos analíticos con Ultralytics | Gráficos de líneas, de barras, de áreas y circulares
Ejemplos visuales#
| Gráfico de líneas | Gráfico de barras | Gráfico circular |
|---|---|---|
 |  |  |
¿Por qué visualizar los datos de detección?#
- Los gráficos de líneas son ideales para seguir los cambios durante periodos cortos y largos, así como para comparar los cambios de varios grupos en un mismo periodo.
- Los gráficos de barras son adecuados para comparar cantidades de distintas categorías y mostrar la relación entre una categoría y su valor numérico.
- Los gráficos circulares son eficaces para ilustrar las proporciones entre categorías y mostrar las partes de un conjunto.
- Los gráficos de áreas rellenan el espacio bajo la línea para que los recuentos de objetos por clase a lo largo del tiempo se puedan consultar de un vistazo.
Generar gráficos de análisis#
Pasa el 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 (de forma predeterminada) 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=TrueArgumentos de Analytics#
Esta tabla resume los argumentos de Analytics:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
model | str | None | Ruta a un archivo de modelo Ultralytics YOLO. |
analytics_type | str | 'line' | Tipo de gráfico, es decir, line, bar, area o pie. |
figsize | tuple[float, float] | (12.8, 7.2) | Tamaño de las figuras en pulgadas para los gráficos de Analytics; (12.8, 7.2) genera un fotograma de 1280×720. |
line_width | int | 2 | Grosor de línea de los cuadros, puntos clave y recuentos que dibuja la solución. |
verbose | bool | True | Activa el registro por fotograma de la forma de entrada, los recuentos por clase y la velocidad de procesamiento de la solución. La llamada de seguimiento en sí siempre es silenciosa. |
También puedes usar distintos argumentos de track en la solución Analytics.
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Especifica el algoritmo de seguimiento que se va a usar. Opciones integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Establece el umbral de confianza de las detecciones; los valores más bajos permiten seguir más objetos, pero pueden incluir falsos positivos. |
iou | float | 0.7 | Establece el umbral de intersección sobre unión (IoU) para filtrar las detecciones solapadas. |
classes | list | None | Filtra los resultados por índice de clase. Por ejemplo, classes=[0, 2, 3] solo sigue las clases especificadas. |
device | str | None | Especifica el dispositivo para la inferencia (p. ej., cpu, cuda:0 o 0). Permite elegir entre CPU, una GPU concreta u otros dispositivos de cálculo para ejecutar el modelo. |
imgsz | int or tuple | 640 | Tamaño de imagen de destino para la inferencia: un entero para una imagen cuadrada o una pareja (height, width). Las dimensiones se ajustan al stride del modelo. |
max_det | int | 300 | Número máximo de detecciones que se conservan por fotograma antes del seguimiento, lo que limita los objetos que procesa una solución en escenas densas. |
quantize | int or str | None | Precisión de inferencia: 16 (FP16) o 32/unset (FP32) para los modelos PyTorch y TorchScript fuera de CPU; los demás formatos usan la precisión que seleccionen el artefacto y el entorno de ejecución. Sustituye al argumento obsoleto half. |
Además, se admiten los siguientes argumentos de visualización:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
show | bool | False | Si True, muestra las imágenes o los vídeos anotados en una ventana. Es útil para obtener información visual inmediata durante el desarrollo o las pruebas. |
Conclusión#
Comprender cuándo y cómo usar distintos tipos de visualización es fundamental para analizar datos de forma eficaz. Los gráficos de líneas, de barras y circulares son herramientas básicas que pueden ayudarte a comunicar la historia de tus datos con mayor claridad y eficacia. La solución Analytics de Ultralytics YOLO26 ofrece una forma simplificada de generar estas visualizaciones a partir de los resultados de la detección de objetos y el seguimiento, lo que facilita la extracción de información útil de tus datos visuales.
Preguntas frecuentes#
Para crear un gráfico de líneas con Ultralytics YOLO26 Analytics, sigue estos pasos:
- Carga un modelo YOLO26 y abre el archivo de vídeo.
- Inicializa la clase
Analyticsconanalytics_type="line". - Recorre los fotogramas del vídeo y llama a la solución en cada uno 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 ejemplo de Python anterior como punto de partida: ya incluye el procesamiento de todos los fotogramas, y el gráfico de líneas es el
analytics_typepredeterminado.Usar Ultralytics YOLO26 para crear gráficos de barras ofrece varias ventajas:
- Visualización de datos en tiempo real: integra sin complicaciones los resultados de la detección de objetos en gráficos de barras que se actualizan de forma dinámica.
- Facilidad de uso: su API y sus funciones sencillas facilitan la implementación y la visualización de datos.
- Personalización: personaliza títulos, etiquetas, colores y mucho más según tus necesidades.
- Eficiencia: procesa grandes cantidades de datos de forma eficiente y actualiza los gráficos en tiempo real durante el procesamiento del vídeo.
Para generar un gráfico de barras, configura
analytics_type="bar"en el ejemplo de Python anterior; el resto del procesamiento de fotogramas es idéntico. Consulta la sección Ejemplos visuales para ver una muestra.Ultralytics YOLO26 es una opción excelente para crear gráficos circulares porque:
- Integración con la detección de objetos: integra directamente los resultados de la detección de objetos en gráficos circulares para obtener información al instante.
- API fácil de usar: es sencilla de configurar y utilizar, y requiere muy poco código.
- Personalizable: ofrece varias opciones para personalizar los colores, las etiquetas y mucho más.
- Actualizaciones en tiempo real: procesa y visualiza datos en tiempo real, lo que resulta ideal para proyectos de análisis de vídeo.
Para generar un gráfico circular, configura
analytics_type="pie"en el ejemplo de Python anterior. Para obtener más información, consulta la sección Ejemplos visuales de la guía.Sí. El seguimiento está integrado en la solución
Analytics: sigue varios objetos en tiempo real y actualiza el gráfico con los datos de los objetos seguidos cada 30 fotogramas, de modo que los gráficos de líneas, barras, circulares y de áreas reflejan los recuentos en directo. Esto es exactamente lo que hace el procesamiento de fotogramas del ejemplo de Python anterior. Para obtener más información sobre la funcionalidad de seguimiento subyacente, consulta la sección Seguimiento.Ultralytics YOLO26 destaca frente a otras soluciones de detección de objetos como OpenCV y TensorFlow por varios motivos:
- Precisión de vanguardia: YOLO26 ofrece una precisión superior en tareas de detección de objetos, segmentación de instancias, segmentación semántica y clasificación.
- Facilidad de uso: su API intuitiva permite implementar e integrar soluciones rápidamente, sin necesidad de programar demasiado.
- Rendimiento en tiempo real: está optimizado para realizar inferencias a gran velocidad, por lo que es adecuado para aplicaciones en tiempo real.
- Diversidad de aplicaciones: admite el seguimiento de varios objetos, el entrenamiento de modelos personalizados y la exportación a distintos formatos, como ONNX, TensorRT y CoreML.
- Documentación completa: cuenta con una amplia documentación y recursos del blog para guiarte en cada paso.
Para consultar comparativas y casos de uso más detallados, visita nuestro blog de Ultralytics.