Link to this sectionAnalyses avec Ultralytics YOLO26#
L'analyse avec Ultralytics YOLO26 transforme les résultats de détection d'objets et de suivi en graphiques en temps réel, afin que tu puisses observer comment le nombre d'objets change à travers une vidéo, image par image. Ce guide couvre quatre types de visualisation de données — graphiques linéaires, histogrammes, diagrammes circulaires et graphiques en aires — et montre comment basculer entre eux avec des exemples partagés en Python et CLI.
Watch: How to generate Analytical Graphs using Ultralytics | Line Graphs, Bar Plots, Area and Pie Charts
Link to this sectionExemples visuels#
| Graphique linéaire | Diagramme à barres | Diagramme circulaire |
|---|---|---|
 |  |  |
Link to this sectionPourquoi visualiser les données de détection ?#
- Les graphiques linéaires sont idéaux pour suivre les changements sur de courtes et longues périodes et pour comparer les évolutions de plusieurs groupes sur la même période.
- Les histogrammes conviennent pour comparer des quantités entre différentes catégories et montrer les relations entre une catégorie et sa valeur numérique.
- Les diagrammes circulaires sont efficaces pour illustrer les proportions entre les catégories et montrer les parties d'un tout.
- Les graphiques en aires remplissent le graphique linéaire afin que le nombre d'objets par classe dans le temps soit plus facile à lire d'un coup d'œil.
Link to this sectionGénérer des graphiques analytiques#
Passe ta vidéo à la solution Analytics et sélectionne un graphique avec analytics_type. La solution exécute la détection et le suivi sur chaque image et génère un graphique 1280×720 (par défaut) que tu peux écrire directement dans une vidéo de sortie. Bascule entre "line", "bar", "pie" et "area" avec un seul argument.
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 sectionArguments Analytics#
Voici un tableau décrivant les arguments Analytics :
| Argument | Type | Défaut | Description |
|---|---|---|---|
model | str | None | Chemin d'accès vers un fichier de modèle YOLO d'Ultralytics. |
analytics_type | str | 'line' | Type de graphique, par ex. line, bar, area ou pie. |
Tu peux également exploiter différents arguments track dans la solution Analytics.
| Argument | Type | Défaut | Description |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Spécifie l'algorithme de suivi à utiliser. Options intégrées : botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.1 | Définit le seuil de confiance pour les détections ; des valeurs plus faibles permettent de suivre plus d'objets, mais peuvent inclure des faux positifs. |
iou | float | 0.7 | Définit le seuil d'Intersection sur Union (IoU) pour filtrer les détections qui se chevauchent. |
classes | list | None | Filtre les résultats par indice de classe. Par exemple, classes=[0, 2, 3] ne suit que les classes spécifiées. |
verbose | bool | True | Contrôle l'affichage des résultats de suivi, en fournissant une sortie visuelle des objets suivis. |
device | str | None | Spécifie le périphérique pour l'inférence (par ex. cpu, cuda:0 ou 0). Permet aux utilisateurs de choisir entre le CPU, un GPU spécifique ou d'autres dispositifs de calcul pour l'exécution du modèle. |
De plus, les arguments de visualisation suivants sont pris en charge :
| Argument | Type | Défaut | Description |
|---|---|---|---|
show | bool | False | Si True, affiche les images ou vidéos annotées dans une fenêtre. Utile pour un retour visuel immédiat lors du développement ou des tests. |
line_width | int or None | None | Spécifie l'épaisseur de ligne des boîtes englobantes. Si None, l'épaisseur de ligne est automatiquement ajustée en fonction de la taille de l'image. Offre une personnalisation visuelle pour plus de clarté. |
Link to this sectionConclusion#
Comprendre quand et comment utiliser différents types de visualisations est crucial pour une analyse de données efficace. Les graphiques linéaires, les diagrammes à barres et les diagrammes circulaires sont des outils fondamentaux qui peuvent t'aider à transmettre l'histoire de tes données plus clairement et efficacement. La solution Ultralytics YOLO26 Analytics fournit un moyen rationalisé de générer ces visualisations à partir de tes résultats de détection d'objets et de suivi, facilitant ainsi l'extraction d'informations significatives à partir de tes données visuelles.
Link to this sectionFAQ#
Link to this sectionComment créer un graphique linéaire avec Ultralytics YOLO26 Analytics ?#
Pour créer un graphique linéaire avec Ultralytics YOLO26 Analytics, suis ces étapes :
- Charge un modèle YOLO26 et ouvre ton fichier vidéo.
- Initialise la classe
Analyticsavecanalytics_type="line". - Itère à travers les images vidéo en appelant la solution à chaque image pour mettre à jour le graphique linéaire avec des données telles que le nombre d'objets.
- Écris
results.plot_imdans une vidéo de sortie pour enregistrer le graphique.
Utilise l' exemple Python ci-dessus comme point de départ — il exécute déjà la boucle d'images complète, et un graphique linéaire est l' analytics_type par défaut.
Link to this sectionQuels sont les avantages d'utiliser Ultralytics YOLO26 pour créer des diagrammes à barres ?#
Utiliser Ultralytics YOLO26 pour créer des diagrammes à barres offre plusieurs avantages :
- Visualisation de données en temps réel : Intègre de manière transparente les résultats de détection d'objets dans des diagrammes à barres pour des mises à jour dynamiques.
- Facilité d'utilisation : Une API et des fonctions simples rendent l'implémentation et la visualisation des données très directes.
- Personnalisation : Personnalise les titres, les étiquettes, les couleurs et plus encore pour répondre à tes besoins spécifiques.
- Efficacité : Traite efficacement de grandes quantités de données et mets à jour les graphiques en temps réel pendant le traitement vidéo.
Pour générer un histogramme, définis analytics_type="bar" dans l' exemple Python ci-dessus — le reste de la boucle d'images est identique. Consulte la section Visual Samples pour un aperçu.
Link to this sectionPourquoi devrais-je utiliser Ultralytics YOLO26 pour créer des diagrammes circulaires dans mes projets de visualisation de données ?#
Ultralytics YOLO26 est un excellent choix pour créer des diagrammes circulaires car :
- Intégration avec la détection d'objets : Intègre directement les résultats de détection d'objets dans des diagrammes circulaires pour des aperçus immédiats.
- API conviviale : Simple à configurer et à utiliser avec un minimum de code.
- Personnalisable : Diverses options de personnalisation pour les couleurs, les étiquettes et plus encore.
- Mises à jour en temps réel : Gère et visualise les données en temps réel, ce qui est idéal pour les projets d'analyse vidéo.
Pour générer un diagramme circulaire, définis analytics_type="pie" dans l' exemple Python ci-dessus. Pour plus d'informations, réfère-toi à la section Visual Samples du guide.
Link to this sectionUltralytics YOLO26 peut-il être utilisé pour suivre des objets et mettre à jour dynamiquement des visualisations ?#
Oui. Le suivi est intégré dans la solution Analytics : elle suit plusieurs objets en temps réel et met à jour le graphique à partir des données des objets suivis à chaque image, de sorte que les graphiques linéaires, les histogrammes, les diagrammes circulaires et les graphiques en aires reflètent tous les comptes en direct. C'est exactement ce que fait la boucle d'images dans l' exemple Python ci-dessus. Pour en savoir plus sur la fonctionnalité de suivi sous-jacente, consulte la section Tracking.
Link to this sectionQu'est-ce qui rend Ultralytics YOLO26 différent d'autres solutions de détection d'objets comme OpenCV et TensorFlow ?#
Ultralytics YOLO26 se distingue des autres solutions de détection d'objets comme OpenCV et TensorFlow pour plusieurs raisons :
- Précision de pointe : YOLO26 offre une précision supérieure dans les tâches de détection d'objets, de segmentation d'instances, de segmentation sémantique et de classification.
- Facilité d'utilisation : Une API conviviale permet une mise en œuvre et une intégration rapides sans programmation intensive.
- Performances en temps réel : Optimisé pour une inférence à haute vitesse, adapté aux applications en temps réel.
- Applications diverses : Prend en charge diverses tâches, notamment le suivi multi-objets, l'entraînement de modèles personnalisés et l'exportation vers différents formats comme ONNX, TensorRT et CoreML.
- Documentation complète : Une documentation exhaustive et des ressources de blog pour te guider à chaque étape.
Pour des comparaisons et des cas d'utilisation plus détaillés, explore notre Blog Ultralytics.