Analyse utilisant Ultralytics YOLO11

Introduction

Ce guide fournit un aperçu complet de trois types fondamentaux de visualisations de données : les graphiques linéaires, les diagrammes à barres et les diagrammes circulaires. Chaque section comprend des instructions étape par étape et des extraits de code sur la façon de créer ces visualisations à l'aide de python.

Regarder : Comment générer des graphiques analytiques à l'aide d'Ultralytics | Graphiques linéaires, histogrammes, graphiques de surface et circulaires

Exemples visuels

Graphique linéaire	Diagramme à barres	Diagramme circulaire

Pourquoi les graphes sont-ils importants ?

• Les graphiques linéaires sont idéaux pour suivre les changements sur de courtes et longues périodes et pour comparer les changements pour plusieurs groupes sur la même période.
• Les diagrammes à barres, quant à eux, sont adaptés pour comparer des quantités entre différentes catégories et montrer les relations entre une catégorie et sa valeur numérique.
• Enfin, les diagrammes circulaires sont efficaces pour illustrer les proportions entre les catégories et montrer les parties d'un tout.

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=True

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
out = cv2.VideoWriter(
    "analytics_output.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1280, 720),  # this is fixed
)

# Initialize analytics object
analytics = solutions.Analytics(
    show=True,  # display the output
    analytics_type="line",  # pass the analytics type, could be "pie", "bar" or "area".
    model="yolo11n.pt",  # path to the YOLO11 model file
    # classes=[0, 2],  # display analytics for specific detection classes
)

# Process video
frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if success:
        frame_count += 1
        results = analytics(im0, frame_count)  # update analytics graph every frame

        # print(results)  # access the output

        out.write(results.plot_im)  # write the video file
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()  # destroy all opened windows

Analytics Arguments

Voici un tableau décrivant les arguments d'Analytics :

Vous pouvez également exploiter différents track arguments dans le Analytics solution.

De plus, les arguments de visualisation suivants sont pris en charge :

Conclusion

Comprendre quand et comment utiliser différents types de visualisations est crucial pour une analyse efficace des données. Les graphiques linéaires, les diagrammes à barres et les diagrammes circulaires sont des outils fondamentaux qui peuvent vous aider à transmettre l'histoire de vos données plus clairement et plus efficacement. La solution d'analyse Ultralytics YOLO11 offre un moyen simplifié de générer ces visualisations à partir de vos résultats de détection d'objets et de suivi, ce qui facilite l'extraction d'informations significatives à partir de vos données visuelles.

FAQ

Comment créer un graphique linéaire à l'aide d'Ultralytics YOLO11 Analytics ?

Pour créer un graphique linéaire à l’aide d’Ultralytics YOLO11 Analytics, suivez ces étapes :

1. Chargez un modèle YOLO11 et ouvrez votre fichier vidéo.
2. Initialiser le Analytics classe avec le type défini sur "line".
3. Parcourez les images vidéo, en mettant à jour le graphique linéaire avec les données pertinentes, telles que le nombre d'objets par image.
4. Enregistrez la vidéo de sortie affichant le graphique linéaire.

Exemple :

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.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))

out = cv2.VideoWriter(
    "ultralytics_analytics.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1280, 720),  # this is fixed
)

analytics = solutions.Analytics(
    analytics_type="line",
    show=True,
)

frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if success:
        frame_count += 1
        results = analytics(im0, frame_count)  # update analytics graph every frame
        out.write(results.plot_im)  # write the video file
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

Pour plus de détails sur la configuration du Analytics classe, consultez la Analyse utilisant Ultralytics YOLO11 section.

Quels sont les avantages de l'utilisation d'Ultralytics YOLO11 pour la création d'histogrammes ?

L'utilisation d'Ultralytics YOLO11 pour créer des diagrammes à barres offre plusieurs avantages :

1. Visualisation des données en temps réel : Intégrez de manière transparente les résultats de la détection d'objets dans des diagrammes à barres pour des mises à jour dynamiques.
2. Facilité d'utilisation : L'API et les fonctions simples facilitent la mise en œuvre et la visualisation des données.
3. Personnalisation : Personnalisez les titres, les étiquettes, les couleurs, et plus encore pour répondre à vos besoins spécifiques.
4. Efficacité : Gérer efficacement de grandes quantités de données et mettre à jour les tracés en temps réel pendant le traitement vidéo.

Utilisez l'exemple suivant pour générer un diagramme à barres :

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.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))

out = cv2.VideoWriter(
    "ultralytics_analytics.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1280, 720),  # this is fixed
)

analytics = solutions.Analytics(
    analytics_type="bar",
    show=True,
)

frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if success:
        frame_count += 1
        results = analytics(im0, frame_count)  # update analytics graph every frame
        out.write(results.plot_im)  # write the video file
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

Pour en savoir plus, consultez la section Diagramme à barres dans le guide.

Pourquoi devrais-je utiliser Ultralytics YOLO11 pour créer des diagrammes circulaires dans mes projets de visualisation de données ?

Ultralytics YOLO11 est un excellent choix pour la création de diagrammes circulaires, car :

1. Intégration à la détection d’objets : Intégrez directement les résultats de la détection d’objets dans des graphiques circulaires pour obtenir des informations immédiates.
2. API conviviale : Simple à configurer et à utiliser avec un minimum de code.
3. Personnalisable : Diverses options de personnalisation pour les couleurs, les étiquettes, et plus encore.
4. Mises à jour en temps réel : Gérez et visualisez les données en temps réel, ce qui est idéal pour les projets d'analyse vidéo.

Voici un exemple rapide :

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.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))

out = cv2.VideoWriter(
    "ultralytics_analytics.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1280, 720),  # this is fixed
)

analytics = solutions.Analytics(
    analytics_type="pie",
    show=True,
)

frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if success:
        frame_count += 1
        results = analytics(im0, frame_count)  # update analytics graph every frame
        out.write(results.plot_im)  # write the video file
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

Pour plus d'informations, consultez la section Diagramme circulaire dans le guide.

Ultralytics YOLO11 peut-il être utilisé pour suivre des objets et mettre à jour dynamiquement les visualisations ?

Oui, Ultralytics YOLO11 peut être utilisé pour suivre des objets et mettre à jour dynamiquement les visualisations. Il prend en charge le suivi de plusieurs objets en temps réel et peut mettre à jour diverses visualisations telles que des graphiques linéaires, des diagrammes à barres et des diagrammes circulaires en fonction des données des objets suivis.

Exemple de suivi et de mise à jour d'un graphique linéaire :

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.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))

out = cv2.VideoWriter(
    "ultralytics_analytics.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1280, 720),  # this is fixed
)

analytics = solutions.Analytics(
    analytics_type="line",
    show=True,
)

frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if success:
        frame_count += 1
        results = analytics(im0, frame_count)  # update analytics graph every frame
        out.write(results.plot_im)  # write the video file
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

Pour en savoir plus sur toutes les fonctionnalités, consultez la section Suivi.

Qu'est-ce qui différencie Ultralytics YOLO11 des autres solutions de détection d'objets comme OpenCV et TensorFlow ?

Ultralytics YOLO11 se distingue des autres solutions de détection d'objets telles qu'OpenCV et TensorFlow pour plusieurs raisons :

1. Exactitude de pointe : YOLO11 offre une exactitude supérieure dans les tâches de détection d'objets, de segmentation et de classification.
2. Facilité d'utilisation : L'API conviviale permet une mise en œuvre et une intégration rapides sans codage extensif.
3. Performance en temps réel : Optimisé pour l'inférence à haute vitesse, adapté aux applications en temps réel.
4. Applications diverses : Prend en charge diverses tâches, notamment le suivi multi-objets, l'entraînement de modèles personnalisés et l'exportation vers différents formats tels que ONNX, TensorRT et CoreML.
5. Documentation complète : Vaste documentation et ressources de blogue pour guider les utilisateurs à chaque étape.

Pour des comparaisons et des cas d'utilisation plus détaillés, explorez notre Blog Ultralytics.

📅 Créé il y a 1 an ✏️ Mis à jour il y a 5 mois

Commentaires