Visualización avanzada de datos: Mapas de calor usando Ultralytics YOLO26 🚀
Introducción a los mapas de calor
Un mapa de calor generado con Ultralytics YOLO26 transforma datos complejos en una matriz vibrante codificada por colores. Esta herramienta visual emplea un espectro de colores para representar valores de datos variables, donde los tonos más cálidos indican intensidades más altas y los tonos más fríos significan valores más bajos. Los mapas de calor destacan en la visualización de patrones de datos intrincados, correlaciones y anomalías, ofreciendo un enfoque accesible y atractivo para la interpretación de datos en diversos ámbitos.
Watch: Heatmaps using Ultralytics YOLO26
¿Por qué elegir mapas de calor para el análisis de datos?
- Visualización intuitiva de la distribución de datos: Los mapas de calor simplifican la comprensión de la concentración y distribución de datos, convirtiendo conjuntos de datos complejos en formatos visuales fáciles de entender.
- Detección eficiente de patrones: Al visualizar los datos en formato de mapa de calor, es más fácil detectar tendencias, grupos y valores atípicos, lo que facilita un análisis y una obtención de información más rápidos.
- Análisis espacial y toma de decisiones mejorados: Los mapas de calor son fundamentales para ilustrar relaciones espaciales, ayudando en los procesos de toma de decisiones en sectores como la inteligencia empresarial, los estudios medioambientales y la planificación urbana.
Aplicaciones en el mundo real
| Transporte | Comercio minorista |
|---|---|
 |  |
| Mapa de calor de transporte con Ultralytics YOLO26 | Mapa de calor de venta al por menor con Ultralytics YOLO26 |
# 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)]"Argumentos de Heatmap()
Aquí tienes una tabla con los argumentos de Heatmap:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
model | str | None | Ruta a un archivo de modelo Ultralytics YOLO. |
colormap | int | cv2.COLORMAP_DEEPGREEN | Mapa de colores para usar en el mapa de calor. |
show_in | bool | True | Indicador para controlar si se deben mostrar los recuentos de entrada en la transmisión de video. |
show_out | bool | True | Indicador para controlar si se deben mostrar los recuentos de salida en la transmisión de video. |
region | list | '[(20, 400), (1260, 400)]' | Lista de puntos que definen la región de conteo. |
También puedes aplicar diferentes argumentos de track en la solución Heatmap.
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Especifica el algoritmo de seguimiento a utilizar, p. ej., bytetrack.yaml o botsort.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 solapadas. |
classes | list | None | Filtra los resultados por índice de clase. Por ejemplo, classes=[0, 2, 3] solo sigue las clases especificadas. |
verbose | bool | True | Controla la visualización de los resultados de seguimiento, proporcionando una salida visual de los objetos seguidos. |
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. |
Además, los argumentos de visualización compatibles se enumeran a continuación:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
show | bool | False | Si es True, muestra las imágenes o vídeos anotados en una ventana. Útil para obtener información visual inmediata durante el desarrollo o las pruebas. |
line_width | int or None | None | Especifica el ancho de línea de las cajas delimitadoras. Si es None, el ancho de línea se ajusta automáticamente según el tamaño de la imagen. Proporciona personalización visual para mayor claridad. |
show_conf | bool | True | Muestra la puntuación de confianza para cada detección junto a la etiqueta. Ofrece información sobre la certeza del modelo para cada detección. |
show_labels | bool | True | Muestra etiquetas para cada detección en el resultado visual. Proporciona una comprensión inmediata de los objetos detectados. |
COLORMAPs de mapas de calor
| Nombre del mapa de colores | Descripción |
|---|---|
cv::COLORMAP_AUTUMN | Mapa de colores de otoño |
cv::COLORMAP_BONE | Mapa de colores de hueso |
cv::COLORMAP_JET | Mapa de colores Jet |
cv::COLORMAP_WINTER | Mapa de colores de invierno |
cv::COLORMAP_RAINBOW | Mapa de colores de arcoíris |
cv::COLORMAP_OCEAN | Mapa de colores de océano |
cv::COLORMAP_SUMMER | Mapa de colores de verano |
cv::COLORMAP_SPRING | Mapa de colores de primavera |
cv::COLORMAP_COOL | Mapa de colores fríos |
cv::COLORMAP_HSV | Mapa de colores HSV (Tono, Saturación, Valor) |
cv::COLORMAP_PINK | Mapa de colores rosa |
cv::COLORMAP_HOT | Mapa de colores cálidos |
cv::COLORMAP_PARULA | Mapa de colores Parula |
cv::COLORMAP_MAGMA | Mapa de colores Magma |
cv::COLORMAP_INFERNO | Mapa de colores Inferno |
cv::COLORMAP_PLASMA | Mapa de colores Plasma |
cv::COLORMAP_VIRIDIS | Mapa de colores Viridis |
cv::COLORMAP_CIVIDIS | Mapa de colores Cividis |
cv::COLORMAP_TWILIGHT | Mapa de colores crepusculares |
cv::COLORMAP_TWILIGHT_SHIFTED | Mapa de colores crepusculares desplazados |
cv::COLORMAP_TURBO | Mapa de colores Turbo |
cv::COLORMAP_DEEPGREEN | Mapa de colores verde profundo |
Estos mapas de colores se utilizan habitualmente para visualizar datos con diferentes representaciones de color.
Cómo funcionan los mapas de calor en Ultralytics YOLO26
La solución de mapa de calor en Ultralytics YOLO26 amplía la clase ObjectCounter para generar y visualizar patrones de movimiento en flujos de vídeo. Cuando se inicializa, la solución crea una capa de mapa de calor en blanco que se actualiza a medida que los objetos se mueven a través del fotograma.
Para cada objeto detectado, la solución:
- Rastrea el objeto a través de los fotogramas utilizando las capacidades de seguimiento de YOLO26
- Actualiza la intensidad del mapa de calor en la ubicación del objeto
- Aplica un mapa de colores seleccionado para visualizar los valores de intensidad
- Superpone el mapa de calor coloreado sobre el fotograma original
El resultado es una visualización dinámica que se construye con el paso del tiempo, revelando patrones de tráfico, movimientos de multitudes u otros comportamientos espaciales en tus datos de vídeo.
Preguntas frecuentes
¿Cómo genera mapas de calor Ultralytics YOLO26 y cuáles son sus beneficios?
Ultralytics YOLO26 genera mapas de calor transformando datos complejos en una matriz codificada por colores donde diferentes tonalidades representan las intensidades de los datos. Los mapas de calor facilitan la visualización de patrones, correlaciones y anomalías en los datos. Los tonos más cálidos indican valores más altos, mientras que los tonos más fríos representan valores más bajos. Los principales beneficios incluyen una visualización intuitiva de la distribución de los datos, una detección eficiente de patrones y un análisis espacial mejorado para la toma de decisiones. Para obtener más detalles y opciones de configuración, consulta la sección Configuración de mapas de calor.
¿Puedo usar Ultralytics YOLO26 para realizar el seguimiento de objetos y generar un mapa de calor simultáneamente?
Sí, Ultralytics YOLO26 admite el seguimiento de objetos y la generación de mapas de calor simultáneamente. Esto se puede lograr a través de su solución Heatmap integrada con modelos de seguimiento de objetos. Para ello, necesitas inicializar el objeto de mapa de calor y utilizar las capacidades de seguimiento de YOLO26. Aquí tienes un ejemplo sencillo:
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()Para obtener más orientación, consulta la página Modo de seguimiento.
¿Qué hace que los mapas de calor de Ultralytics YOLO26 sean diferentes de otras herramientas de visualización de datos como las de OpenCV o Matplotlib?
Los mapas de calor de Ultralytics YOLO26 están diseñados específicamente para integrarse con sus modelos de detección de objetos y seguimiento, proporcionando una solución integral para el análisis de datos en tiempo real. A diferencia de las herramientas de visualización genéricas como OpenCV o Matplotlib, los mapas de calor de YOLO26 están optimizados para el rendimiento y el procesamiento automatizado, admitiendo funciones como el seguimiento persistente, el ajuste del factor de decaimiento y la superposición de vídeo en tiempo real. Para obtener más información sobre las características únicas de YOLO26, visita la Introducción a Ultralytics YOLO26.
¿Cómo puedo visualizar solo clases de objetos específicas en los mapas de calor usando Ultralytics YOLO26?
Puedes visualizar clases de objetos específicas especificando las clases deseadas en el método track() del modelo YOLO. Por ejemplo, si solo quieres visualizar coches y personas (asumiendo que sus índices de clase son 0 y 2), puedes configurar el parámetro classes en consecuencia.
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()¿Por qué las empresas deberían elegir Ultralytics YOLO26 para la generación de mapas de calor en el análisis de datos?
Ultralytics YOLO26 ofrece una integración perfecta de detección avanzada de objetos y generación de mapas de calor en tiempo real, lo que lo convierte en una opción ideal para las empresas que buscan visualizar los datos de forma más eficaz. Las ventajas clave incluyen la visualización intuitiva de la distribución de los datos, la detección eficiente de patrones y un mejor análisis espacial para una mejor toma de decisiones. Además, las características de vanguardia de YOLO26, como el seguimiento persistente, los mapas de colores personalizables y la compatibilidad con varios formatos de exportación, lo hacen superior a otras herramientas como TensorFlow y OpenCV para un análisis de datos exhaustivo. Obtén más información sobre las aplicaciones empresariales en Planes de Ultralytics.