Ir al contenido

Visualización avanzada de datos: Heatmaps usando Ultralytics YOLO11 🚀

Introducción a los mapas de calor

Un mapa de calor generado con Ultralytics YOLO11 transforma datos complejos en una matriz vibrante y codificada por colores. Esta herramienta visual emplea un espectro de colores para representar los distintos valores de los datos, 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 dominios.



Observa: Mapas de calor con Ultralytics YOLO11

¿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 los datos, convirtiendo conjuntos de datos complejos en formatos visuales fáciles de entender.
  • Detección eficaz de patrones: Al visualizar los datos en formato de mapa de calor, resulta más fácil detectar tendencias, agrupaciones y valores atípicos, lo que facilita un análisis y una comprensión más rápidos.
  • Mejora del análisis espacial y la toma de decisiones: los mapas de calor son fundamentales para ilustrar las 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 Venta al por menor
Ultralytics YOLO11 Mapa de transporte Ultralytics YOLO11 Mapa de calor del comercio minorista
Ultralytics YOLO11 Mapa de transporte Ultralytics YOLO11 Mapa de calor del comercio minorista

Mapas de calor con Ultralytics YOLO11 Ejemplo

# Run a heatmap example
yolo solutions heatmap show=True

# Pass a source video
yolo solutions heatmap source="path/to/video/file.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)]
import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("Path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# Video writer
video_writer = cv2.VideoWriter("heatmap_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# In case you want to apply object counting + heatmaps, you can pass region points.
# region_points = [(20, 400), (1080, 400)]  # Define line points
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]  # Define region points
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360), (20, 400)]  # Define polygon points

# Init heatmap
heatmap = solutions.Heatmap(
    show=True,  # Display the output
    model="yolo11n.pt",  # Path to the YOLO11 model file
    colormap=cv2.COLORMAP_PARULA,  # Colormap of heatmap
    # region=region_points,  # If you want to do object counting with heatmaps, you can pass region_points
    # classes=[0, 2],  # If you want to generate heatmap for specific classes i.e person and car.
    # show_in=True,  # Display in counts
    # show_out=True,  # Display out counts
    # line_width=2,  # Adjust the line width for bounding boxes and text display
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    im0 = heatmap.generate_heatmap(im0)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Argumentos Heatmap()

Nombre Tipo Por defecto Descripción
model str None Ruta de acceso al archivo del modelo Ultralytics YOLO
colormap int cv2.COLORMAP_JET Mapa de colores para el mapa de calor.
show bool False Si se desea mostrar la imagen con el mapa de calor superpuesto.
show_in bool True Si se desea mostrar el recuento de objetos que entran en la región.
show_out bool True Si se desea mostrar el recuento de objetos que salen de la región.
region list None Puntos que definen la región de recuento (una línea o un polígono).
line_width int 2 Grosor de las líneas utilizadas en el dibujo.

Argumentos model.track

Argumento Tipo Por defecto Descripción
source str None Especifica el directorio de origen de las imágenes o vídeos. Admite rutas de archivo y URL.
persist bool False Permite el seguimiento persistente de objetos entre fotogramas, manteniendo los ID en todas las secuencias de vídeo.
tracker str botsort.yaml Especifica el algoritmo de seguimiento a utilizar, por ejemplo, bytetrack.yaml o botsort.yaml.
conf float 0.3 Establece el umbral de confianza para las detecciones; los valores más bajos permiten rastrear más objetos pero pueden incluir falsos positivos.
iou float 0.5 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] sólo rastrea las clases especificadas.
verbose bool True Controla la visualización de los resultados del rastreo, proporcionando una salida visual de los objetos rastreados.

Mapa de calor COLORMAPS

Nombre del mapa de colores Descripción
cv::COLORMAP_AUTUMN Mapa de colores de otoño
cv::COLORMAP_BONE Mapa de color de los huesos
cv::COLORMAP_JET Mapa de colores de los reactores
cv::COLORMAP_WINTER Mapa de colores de invierno
cv::COLORMAP_RAINBOW Mapa de colores del arco iris
cv::COLORMAP_OCEAN Mapa de colores del océano
cv::COLORMAP_SUMMER Mapa de colores del verano
cv::COLORMAP_SPRING Mapa de colores de primavera
cv::COLORMAP_COOL Bonito mapa de colores
cv::COLORMAP_HSV Mapa de color HSV (Tono, Saturación, Valor)
cv::COLORMAP_PINK Mapa de color rosa
cv::COLORMAP_HOT Mapa de colores calientes
cv::COLORMAP_PARULA Mapa de colores de Parula
cv::COLORMAP_MAGMA Mapa de colores del magma
cv::COLORMAP_INFERNO Mapa de colores de Inferno
cv::COLORMAP_PLASMA Mapa de colores del plasma
cv::COLORMAP_VIRIDIS Mapa de colores de Viridis
cv::COLORMAP_CIVIDIS Mapa en color de Cividis
cv::COLORMAP_TWILIGHT Mapa de colores del crepúsculo
cv::COLORMAP_TWILIGHT_SHIFTED Mapa de colores de Crepúsculo desplazado
cv::COLORMAP_TURBO Mapa de colores turbo
cv::COLORMAP_DEEPGREEN Mapa de colores Deep Green

Estos mapas de colores se utilizan habitualmente para visualizar datos con diferentes representaciones de color.

PREGUNTAS FRECUENTES

¿Cómo genera Ultralytics YOLO11 mapas de calor y cuáles son sus ventajas?

Ultralytics YOLO11 genera mapas de calor transformando datos complejos en una matriz codificada por colores en la que las 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. Las principales ventajas son la visualización intuitiva de la distribución de los datos, la detección eficaz de patrones y la mejora del análisis espacial para la toma de decisiones. Para más detalles y opciones de configuración, consulte la sección Configuración del mapa de calor.

¿Puedo utilizar Ultralytics YOLO11 para realizar el seguimiento de objetos y generar un mapa térmico simultáneamente?

Sí, Ultralytics YOLO11 admite el seguimiento de objetos y la generación de mapas térmicos simultáneamente. Esto puede lograrse a través de su Heatmap integrada con modelos de seguimiento de objetos. Para ello, es necesario inicializar el objeto heatmap y utilizar las funciones de seguimiento de YOLO11. He aquí un ejemplo sencillo:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap = solutions.Heatmap(colormap=cv2.COLORMAP_PARULA, show=True, model="yolo11n.pt")

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = heatmap.generate_heatmap(im0)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Para más información, consulte la página Modo de seguimiento.

¿Qué diferencia a Ultralytics YOLO11 heatmaps de otras herramientas de visualización de datos como las de OpenCV o Matplotlib?

Ultralytics YOLO11 están diseñados específicamente para integrarse con sus modelos de detección y seguimiento de objetos, 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 térmicos de YOLO11 están optimizados para el rendimiento y el procesamiento automatizado, y admiten funciones como el seguimiento persistente, el ajuste del factor de decaimiento y la superposición de vídeo en tiempo real. Para más información sobre las características exclusivas de YOLO11, visite Ultralytics YOLO11 Introducción.

¿Cómo puedo visualizar sólo clases específicas de objetos en mapas térmicos utilizando Ultralytics YOLO11 ?

Puede visualizar clases de objetos específicas especificando las clases deseadas en el campo track() del modelo YOLO . Por ejemplo, si sólo desea visualizar coches y personas (suponiendo que sus índices de clase son 0 y 2), puede establecer el método classes en consecuencia.

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap = solutions.Heatmap(show=True, model="yolo11n.pt", classes=[0, 2])

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = heatmap.generate_heatmap(im0)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

¿Por qué las empresas deberían elegir Ultralytics YOLO11 para la generación de mapas de calor en el análisis de datos?

Ultralytics YOLO11 ofrece una integración perfecta de la detección avanzada de objetos y la generación de mapas térmicos en tiempo real, lo que la convierte en la opción ideal para las empresas que desean visualizar los datos con mayor eficacia. Entre sus principales ventajas se encuentran la visualización intuitiva de la distribución de los datos, la detección eficaz de patrones y la mejora del análisis espacial para una mejor toma de decisiones. Además, las funciones de vanguardia de YOLO11, como el seguimiento persistente, los mapas de colores personalizables y la compatibilidad con varios formatos de exportación, la sitúan por encima de otras herramientas como TensorFlow y OpenCV para el análisis exhaustivo de datos. Más información sobre aplicaciones empresariales en Ultralytics Plans.

Creado hace 1 año ✏️ Actualizado hace 20 días

Comentarios