Analyses avec Ultralytics YOLO26#
L'analytique avec Ultralytics YOLO26 transforme les résultats de détection d'objets et de suivi en graphiques en temps réel, te permettant de voir comment les comptages d'objets évoluent à travers une vidéo, image par image. Ce guide couvre quatre types de visualisation de données — graphiques linéaires, diagrammes à barres, diagrammes circulaires et graphiques en aires — et montre comment basculer entre eux avec des exemples partagés en Python et en CLI.
Watch: How to generate Analytical Graphs using Ultralytics | Line Graphs, Bar Plots, Area and Pie Charts
Exemples visuels#
| Graphique linéaire | Diagramme à barres | Diagramme circulaire |
|---|---|---|
 |  |  |
Pourquoi 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.
Générer 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 rend un graphique de 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=TrueArguments de 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 graphe, c'est-à-dire line, bar, area ou pie. |
line_width | int | 2 | Épaisseur de ligne pour les boîtes, les points clés et les comptes tracés par la solution. |
verbose | bool | True | Active le journal par trame de la solution concernant la forme d'entrée, les comptes de classes et la vitesse de traitement. L'appel de suivi reste toujours silencieux. |
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 | 0.25 | 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 over Union (IoU) pour filtrer les détections qui se chevauchent. |
classes | list | None | Filtre les résultats par index de classe. Par exemple, classes=[0, 2, 3] ne suit que les classes spécifiées. |
device | str | None | Spécifie le périphérique pour l'inférence (par exemple, cpu, cuda:0 ou 0). Permet aux utilisateurs de choisir entre le CPU, un GPU spécifique ou d'autres périphériques 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 pendant le développement ou les tests. |
Conclusion#
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 t'aident à raconter l'histoire de tes données plus clairement et plus efficacement. La solution d'analytique Ultralytics YOLO26 offre un moyen rationalisé de générer ces visualisations à partir de tes résultats de détection d'objets et de suivi, ce qui facilite l'extraction d'informations significatives de tes données visuelles.
FAQ#
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 diagramme à barres, 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.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.Oui. Le suivi est intégré à la solution
Analytics: il 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 diagrammes à barres, les diagrammes circulaires et les graphiques en aires reflètent tous des 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.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 variées : prend en charge le suivi multi-objet, l'entraînement de modèles personnalisés et l'exportation vers différents formats tels que ONNX, TensorRT et CoreML.
- Documentation complète : Une documentation et des ressources de blog approfondies pour guider les utilisateurs à chaque étape.
Pour des comparaisons et des cas d'utilisation plus détaillés, explore notre Ultralytics Blog.
Pour créer un graphique linéaire avec Ultralytics YOLO26 Analytics, suis ces étapes :
Analyticsavecanalytics_type="line".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 le
analytics_typepar défaut.