Commencer

Analyses avec Ultralytics YOLO26

Les analyses avec Ultralytics YOLO26 transforment les résultats de détection d’objets et de suivi en graphiques en temps réel. Tu peux ainsi observer l’évolution du nombre d’objets au fil des images d’une vidéo. Ce guide présente quatre types de visualisation des données — les graphiques linéaires, les graphiques à barres, les diagrammes circulaires et les graphiques en aires — et explique comment passer de l’un à l’autre à l’aide d’exemples communs en Python et avec la CLI.



Regarder : Comment générer des graphiques analytiques avec Ultralytics | Graphiques linéaires, histogrammes, graphiques en aires et secteurs

Exemples visuels#

Graphique linéaireGraphique à barresDiagramme circulaire
Graphique linéaire d’analyse YOLO pour le suivi d’objetsGraphique à barres d’analyse YOLO pour le nombre de détectionsDiagramme circulaire d’analyse YOLO pour la répartition des classes

Pourquoi visualiser les données de détection ?#

  • Les graphiques linéaires sont parfaits pour suivre l’évolution sur des périodes courtes ou longues et comparer les changements de plusieurs groupes sur une même période.
  • Les graphiques à barres conviennent à la comparaison de quantités entre différentes catégories et à la représentation des liens entre une catégorie et sa valeur numérique.
  • Les diagrammes circulaires permettent de représenter efficacement les proportions entre catégories et les parts d’un ensemble.
  • Les graphiques en aires remplissent la zone sous la ligne, ce qui permet de lire plus facilement d’un coup d’œil le nombre d’objets de chaque classe au fil du temps.

Générer des graphiques d’analyse#

Transmets ta vidéo à la solution Analytics et sélectionne un graphique avec analytics_type. La solution effectue la détection et le suivi sur chaque image et génère un graphique de 1280×720 (par défaut) que tu peux directement enregistrer dans une vidéo de sortie. Passe de "line" à "bar", "pie" ou "area" à l’aide d’un seul argument.

Analyses avec Ultralytics YOLO
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

Arguments de Analytics#

Voici un tableau qui présente les arguments d’Analytics :

ArgumentTypeValeur par défautDescription
modelstrNoneChemin vers un fichier de modèle Ultralytics YOLO.
analytics_typestr'line'Type de graphique, c'est-à-dire line, bar, area ou pie.
figsizetuple[float, float](12.8, 7.2)Dimensions de la figure en pouces pour les graphiques Analytics ; (12.8, 7.2) affiche une image de 1280×720.
line_widthint2Épaisseur des lignes des boîtes, des points clés et des compteurs dessinés par la solution.
verboseboolTrueActive le journal de la solution pour chaque image, qui indique la forme de l'entrée, le nombre d'éléments par classe et la vitesse de traitement. L'appel de suivi reste toujours silencieux.

Tu peux également utiliser les arguments track dans la solution Analytics.

ArgumentTypeValeur par défautDescription
trackerstr'tracktrack.yaml'Indique l'algorithme de suivi à utiliser. Options intégrées : botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml.
conffloat0.25Définit le seuil de confiance des détections ; des valeurs plus faibles permettent de suivre davantage d'objets, mais peuvent inclure des faux positifs.
ioufloat0.5Définit le seuil d'intersection sur l'union (IoU) utilisé pour filtrer les détections qui se chevauchent.
classeslistNoneFiltre les résultats selon l'indice de classe. Par exemple, classes=[0, 2, 3] ne suit que les classes spécifiées.
devicestrNoneIndique le périphérique utilisé pour l'inférence (par exemple, cpu, cuda:0 ou 0). Permet de choisir entre le CPU, un GPU spécifique ou d'autres périphériques de calcul pour l'exécution du modèle.
imgszint or tuple640Taille cible de l'image pour l'inférence : un entier pour une image carrée ou une paire (height, width). Les dimensions sont ajustées au stride du modèle.
max_detint300Nombre maximal de détections conservées par image avant le suivi, ce qui limite le nombre d'objets qu'une solution traite dans les scènes denses.
quantizeint or strNonePrécision d’inférence : 16 (FP16) ou 32/unset (FP32) pour les modèles PyTorch et TorchScript hors CPU ; les autres formats utilisent la précision définie par leur artefact et leur environnement d’exécution. Remplace l’argument half obsolète.

Les arguments de visualisation suivants sont également pris en charge :

ArgumentTypeValeur par défautDescription
showboolFalseSi True, affiche les images ou vidéos annotées dans une fenêtre. Utile pour obtenir un retour visuel immédiat pendant le développement ou les tests.

Conclusion#

Comprendre quand et comment utiliser différents types de visualisations est essentiel pour analyser efficacement les données. Les graphiques linéaires, à barres, circulaires et en aires sont des outils fondamentaux qui t’aident à présenter l’histoire de tes données plus clairement et plus efficacement. La solution Analytique d’Ultralytics YOLO26 offre un moyen simple de générer ces visualisations à partir des résultats de détection et de suivi d’objets, ce qui facilite l’extraction d’informations pertinentes à partir de tes données visuelles.

FAQ#

  • Pour créer un graphique linéaire avec Ultralytics YOLO26 Analytics, suis ces étapes :

    1. Charge un modèle YOLO26 et ouvre ton fichier vidéo.
    2. Initialise la classe Analytics avec analytics_type="line".
    3. Parcours les images vidéo et appelle la solution pour chaque image afin de mettre à jour le graphique linéaire avec des données telles que le nombre d’objets.
    4. Écris results.plot_im dans une vidéo de sortie pour enregistrer le graphique.

    Utilise l’exemple Python ci-dessus comme point de départ : il exécute déjà la boucle complète sur les images, et le graphique linéaire est le analytics_type par défaut.

  • Ultralytics YOLO26 offre plusieurs avantages pour créer des graphiques à barres :

    1. Visualisation des données en temps réel : intègre les résultats de détection d’objets dans des graphiques à barres pour obtenir des mises à jour dynamiques.
    2. Facilité d’utilisation : une API et des fonctions simples facilitent la mise en œuvre et la visualisation des données.
    3. Personnalisation : personnalise les titres, les libellés, les couleurs et bien plus encore selon tes besoins.
    4. Efficacité : traite efficacement de grandes quantités de données et actualise les graphiques en temps réel pendant le traitement vidéo.

    Pour générer un graphique à barres, définis analytics_type="bar" dans l’exemple Python ci-dessus : le reste de la boucle sur les images ne change pas. Consulte la section Exemples visuels pour voir un aperçu.

  • Ultralytics YOLO26 est un excellent choix pour créer des diagrammes circulaires, car :

    1. Intégration à la détection d’objets : intègre directement les résultats de détection d’objets aux diagrammes circulaires pour obtenir immédiatement des informations utiles.
    2. API conviviale : la configuration et l’utilisation sont simples et nécessitent peu de code.
    3. Personnalisation : de nombreuses options permettent de personnaliser les couleurs, les libellés et bien plus encore.
    4. Mises à jour en temps réel : traite 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, consulte la section Exemples visuels du guide.

  • Oui. Le suivi est intégré à la solution Analytics : elle suit plusieurs objets en temps réel et actualise le graphique à partir des données des objets suivis toutes les 30 images. Les graphiques linéaires, les graphiques à barres, les diagrammes circulaires et les graphiques en aires reflètent donc tous les nombres en direct. C’est exactement ce que fait la boucle sur les images de l’exemple Python ci-dessus. Pour en savoir plus sur la fonctionnalité de suivi sous-jacente, consulte la section Suivi.

  • Ultralytics YOLO26 se distingue des autres solutions de détection d’objets comme OpenCV et TensorFlow pour plusieurs raisons :

    1. Précision de pointe : YOLO26 offre une précision supérieure pour les tâches de détection d’objets, de segmentation d’instances, de segmentation sémantique et de classification.
    2. Facilité d’utilisation : son API conviviale permet une mise en œuvre et une intégration rapides sans nécessiter beaucoup de code.
    3. Performances en temps réel : la solution est optimisée pour une inférence rapide et convient aux applications en temps réel.
    4. Applications variées : elle prend en charge le suivi de plusieurs objets, l’entraînement de modèles personnalisés et l’exportation vers différents formats tels que ONNX, TensorRT et CoreML.
    5. Documentation complète : une documentation détaillée et des ressources sur le blog accompagnent les utilisateurs à chaque étape.

Commentaires17

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

  1. User

    Hello @glenn-jocher How we can optimize/modify the code for YOLO predict, so it can also give final compiled result of prediction as graph. In case of counting objects/cells classed as different categories in images stored in a root folder. Not just the images with the prediction boxes.

    yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640

    yolo predict model=yolo11n.pt source=path/to/bus.jpg

    Like the count graph YOLO makes after training or bar/pie chart?

    Thanks

    1. User

      Hello,

      In relation to the above question, will this code work?

      #!/usr/bin/env python3 """ yolo_predict_results.py

      Run YOLO predictions on a single image or a directory of images, save annotated images, export per-image and aggregate counts to CSV, and save plots (aggregate bar chart and optional stacked per-image bar chart).

      Requirements: pip install ultralytics pandas matplotlib pillow

      Usage (recommended - command line): # Single image python yolo_predict_results.py --model /path/to/yolo11n.pt --source /path/to/bus.jpg --output results --save-annotated --plot-aggregate

      # Directory (batch)
      python yolo_predict_results.py --model /path/to/yolo11n.pt --source /path/to/images_dir --output results --save-annotated --plot-per-image --plot-aggregate

      This file includes clearly highlighted comments showing exactly where to set your model path and images directory if you prefer to hardcode them in the script instead of using CLI args. """

      import argparse from collections import Counter from pathlib import Path import sys

      import numpy as np import pandas as pd import matplotlib.pyplot as plt from PIL import Image

      try: from ultralytics import YOLO except Exception as e: print("Please install ultralytics (pip install ultralytics).") raise

      IMAGE_EXTS = {".jpg", ".jpeg", ".png", ".bmp", ".tif", ".tiff", ".webp"}

      def find_images(directory: Path): return [str(p) for p in sorted(directory.rglob("*")) if p.suffix.lower() in IMAGE_EXTS]

      def predict_images(model, paths, conf=0.25, imgsz=640, device=None, save_annotated=False, out_dir=None): """ Run prediction per-image (keeps mapping simple). Returns list of dicts: {'file': path, 'counts': Counter, 'total': int} """ out_dir = Path(out_dir) if out_dir is not None else None annotated_dir = (out_dir / "annotated") if (save_annotated and out_dir is not None) else None if annotated_dir: annotated_dir.mkdir(parents=True, exist_ok=True)

      results = []
      for p in paths:
          print(f"Predicting: {p}")
          res_list = model.predict(source=p, conf=conf, imgsz=imgsz, device=device, verbose=False)
          if not res_list:
              print(f"Warning: no result for {p}")
              continue
          r = res_list[0]
      
          counts = Counter()
          try:
              box_cls = getattr(r.boxes, "cls", None)
              if box_cls is not None:
                  try:
                      arr = box_cls.cpu().numpy()
                  except Exception:
                      arr = np.array(box_cls)
                  arr = arr.astype(int).flatten()
                  for c in arr:
                      name = model.names.get(int(c), str(int(c)))
                      counts[name] += 1
          except Exception as e:
              print(f"Warning: could not parse classes for {p}: {e}")
      
          total = sum(counts.values())
          results.append({"file": p, "counts": counts, "total": total})
      
          if save_annotated and annotated_dir:
              try:
                  ann = r.plot()
                  if isinstance(ann, np.ndarray):
                      img_out = Image.fromarray(ann)
                  else:
                      img_out = ann
                  out_path = annotated_dir / (Path(p).stem + "_annotated" + Path(p).suffix)
                  img_out.save(out_path)
              except Exception as e:
                  print(f"Warning: failed to save annotated image for {p}: {e}")
      
      return results

      def build_dataframe(summary): all_classes = set() for row in summary: all_classes.update(row["counts"].keys()) classes = sorted(all_classes)

      rows = []
      for row in summary:
          data = {cls: row["counts"].get(cls, 0) for cls in classes}
          data["file"] = row["file"]
          data["total"] = row["total"]
          rows.append(data)
      
      if not rows:
          # Return empty dataframe
          df = pd.DataFrame(columns=["file", "total"] + classes)
      else:
          df = pd.DataFrame(rows)
          cols = ["file"] + classes + ["total"]
          df = df[cols]
      return df, classes

      def save_csvs(summary, out_dir: Path): df, classes = build_dataframe(summary) out_dir.mkdir(parents=True, exist_ok=True) csv1 = out_dir / "counts_per_image.csv" df.to_csv(csv1, index=False) print(f"Saved per-image counts to: {csv1}")

      agg = Counter()
      for r in summary:
          agg.update(r["counts"])
      agg_series = pd.Series(dict(agg)).sort_values(ascending=False)
      csv2 = out_dir / "aggregate_counts.csv"
      agg_series.to_csv(csv2, header=["count"])
      print(f"Saved aggregate counts to: {csv2}")
      return df, classes, agg

      def plot_aggregate(agg_counter, out_path: Path): names = list(agg_counter.keys()) counts = [agg_counter[n] for n in names] fig, ax = plt.subplots(figsize=(max(6, len(names) * 0.6), 5)) ax.bar(names, counts, color="tab:blue") ax.set_ylabel("Count") ax.set_title("Aggregate object counts") plt.xticks(rotation=45, ha="right") plt.tight_layout() out_path.parent.mkdir(parents=True, exist_ok=True) fig.savefig(out_path) plt.close(fig) print(f"Saved aggregate plot to: {out_path}")

      def plot_stacked_per_image(df: pd.DataFrame, classes, out_path: Path, top_n=50): if df.empty: print("No per-image data to plot.") return plot_df = df.copy() if top_n and len(plot_df) > top_n: plot_df = plot_df.sort_values("total", ascending=False).head(top_n) x = plot_df["file"].apply(lambda p: Path(p).name).tolist() bottoms = np.zeros(len(plot_df)) fig, ax = plt.subplots(figsize=(max(8, len(x) * 0.6), 6)) for cls in classes: vals = plot_df[cls].values ax.bar(x, vals, bottom=bottoms, label=cls) bottoms += vals ax.set_ylabel("Counts") ax.set_title("Per-image stacked counts") ax.legend(bbox_to_anchor=(1.05, 1), loc="upper left") plt.xticks(rotation=45, ha="right") plt.tight_layout() out_path.parent.mkdir(parents=True, exist_ok=True) fig.savefig(out_path) plt.close(fig) print(f"Saved per-image stacked plot to: {out_path}")

      def main(): ap = argparse.ArgumentParser(description="YOLO predict -> save CSV + plots") ap.add_argument("--model", required=False, help="Path to YOLO model (.pt) (e.g., yolo11n.pt)") ap.add_argument("--source", required=False, help="Image file or directory of images") ap.add_argument("--output", required=False, help="Output directory", default="results") ap.add_argument("--conf", type=float, default=0.25, help="Confidence threshold") ap.add_argument("--imgsz", type=int, default=640, help="Image size for inference") ap.add_argument("--device", type=str, default=None, help="Device (e.g., 0 or 'cpu')") ap.add_argument("--save-annotated", action="store_true", help="Save annotated images") ap.add_argument("--plot-per-image", action="store_true", help="Save stacked per-image plot") ap.add_argument("--plot-aggregate", action="store_true", help="Save aggregate bar chart") ap.add_argument("--top-n", type=int, default=50, help="Top N images for per-image plot when many images")

      # Parse CLI args (recommended usage)
      args = ap.parse_args()
      
      # -------------------------------------------------------------------------
      # HIGHLIGHT 1: If you want to hardcode paths, replace the `args = ap.parse_args()` line
      # with the block below. Edit the two highlighted lines inside the block:
      #    model="..."   <-- SET YOUR MODEL FILE PATH HERE
      #    source="..."  <-- SET YOUR IMAGE FILE OR IMAGES DIRECTORY PATH HERE
      #
      # Example (UNCOMMENT and EDIT, then COMMENT OUT or REMOVE the args = ap.parse_args() above):
      #
      # args = argparse.Namespace(
      #     model="/path/to/yolo11n.pt",       # <<< HIGHLIGHT: set model path here (absolute or relative)
      #     source="/path/to/images_or_image", # <<< HIGHLIGHT: set image file or images directory path here
      #     output="results",
      #     conf=0.25,
      #     imgsz=640,
      #     device=None,
      #     save_annotated=True,
      #     plot_per_image=True,
      #     plot_aggregate=True,
      #     top_n=50
      # )
      # -------------------------------------------------------------------------
      
      # -------------------------------------------------------------------------
      # HIGHLIGHT 2: If you prefer using the command-line, supply these two args when
      # running the script:
      #   --model /path/to/yolo11n.pt
      #   --source /path/to/images_or_image
      # These correspond to the variables used below: args.model and args.source
      # -------------------------------------------------------------------------
      
      if not args.model or not args.source:
          print("Error: --model and --source are required (or hardcode them in the script).")
          print("Example:")
          print("  python yolo_predict_results.py --model /path/to/yolo11n.pt --source /path/to/images --output results --save-annotated --plot-aggregate")
          sys.exit(1)
      
      model_path = Path(args.model)
      source = Path(args.source)
      out_dir = Path(args.output)
      out_dir.mkdir(parents=True, exist_ok=True)
      
      print(f"Loading model: {model_path}")
      model = YOLO(str(model_path))
      
      if source.is_dir():
          files = find_images(source)
          if not files:
              print(f"No images found under {source}")
              sys.exit(1)
      elif source.is_file():
          files = [str(source)]
      else:
          print(f"Source path not found: {source}")
          sys.exit(1)
      
      summary = predict_images(
          model=model,
          paths=files,
          conf=args.conf,
          imgsz=args.imgsz,
          device=args.device,
          save_annotated=args.save_annotated,
          out_dir=out_dir,
      )
      
      if not summary:
          print("No predictions were produced.")
          sys.exit(0)
      
      df, classes, agg = save_csvs(summary, out_dir)
      
      if args.plot_aggregate:
          plot_aggregate(agg, out_dir / "aggregate_counts.png")
      
      if args.plot_per_image:
          plot_stacked_per_image(df, classes, out_dir / "per_image_stacked_counts.png", top_n=args.top_n)
      
      print("All done. Results in:", out_dir.resolve())

      if name == "main": main()

      @glenn-jocher @pderrenger

    2. Glenn JocherUltralytics

      @MUK003 great question, and thanks for sharing the script in detail.

      The short answer is: yes, this is a reasonable way to get per-image and aggregate count graphs from YOLO11 predictions, since YOLO('yolo11n.pt') returns Results objects where r.boxes.cls holds the class indices and your Counter/CSV/Matplotlib logic will work on top of that. I’d recommend first running it on a very small image folder and confirming that the numbers in counts_per_image.csv and aggregate_counts.csv match what you expect from a few sample images.

      From the Ultralytics side there’s currently no built-in yolo predict CLI flag that directly produces those bar/pie charts like training; your Python approach (or, for video streams, the solutions.Analytics charts) is the right pattern. For reference on how analytics is structured inside Ultralytics, you can also glance at the Analytics solution API docs.

    1. Glenn JocherUltralytics(modifié)

      @yeongnamtan to integrate the line graph with a line counter, use the Analytics class to update the line graph with the total object counts per frame. Ensure you initialize the Analytics with analytics_type="line" and update it within your video processing loop. For detailed guidance, please refer to the analytics section in the documentation.

  2. PeymankarGitHub

    Hi, how can i count number of left turns or right turns in an intersection?

    1. Glenn JocherUltralytics

      @Peymankar hello!

      To count the number of left or right turns at an intersection using Ultralytics YOLO, you can set up a tracking system that identifies and follows each vehicle's trajectory. Here’s a brief outline on how you might approach this:

      1. Track Vehicles: Use the YOLO model to detect and track vehicles. You can use the model.track() function to keep track of each vehicle's movement frame by frame.

      2. Define Zones: Define areas or lines within the video frame that represent the boundaries of different turn directions (left, right).

      3. Analyze Trajectories: Analyze the paths of tracked vehicles to determine when they cross these defined zones. This can be done by checking the intersection of vehicle tracks with these zones and classifying the movement as a left or right turn based on the zone they intersect.

      4. Count Turns: Maintain a count of how many vehicles make left or right turns based on these intersections.

      For a more detailed guide on setting up vehicle tracking and analyzing trajectories, you might find the tracking and analytics features in the Ultralytics documentation helpful. Implementing this will require some custom coding to define zones and analyze paths relative to these zones.

      If you need further assistance or more specific guidance, feel free to ask. Happy coding! 😊

  3. yeongnamtanGitHub

    ani = FuncAnimation(fig, animate, frames=range(int(cap.get(cv2.CAP_PROP_FRAME_COUNT))), blit=False, interval=1000/fps, repeat=False)

    plt.show()

    The code is still not working... I

    error meesage ... WARNING ⚠️ best.pt appears to require 'dill', which is not in ultralytics requirements. AutoInstall will run now for 'dill' but this feature will be removed in the future. Recommend fixes are to train a new model using the latest 'ultralytics' package or to run a command with an official YOLOv8 model, i.e. 'yolo predict model=yolov8n.pt' requirements: Ultralytics requirement ['dill'] not found, attempting AutoUpdate... Collecting dill Downloading dill-0.3.8-py3-none-any.whl (116 kB) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 116.3/116.3 kB 4.9 MB/s eta 0:00:00 Installing collected packages: dill Successfully installed dill-0.3.8

    requirements: AutoUpdate success ✅ 5.8s, installed 1 package: ['dill'] requirements: ⚠️ Restart runtime or rerun command for updates to take effect

    requirements: Ultralytics requirement ['lapx>=0.5.2'] not found, attempting AutoUpdate... Collecting lapx>=0.5.2 Downloading lapx-0.5.9-cp310-cp310-manylinux_2_5_x86_64.manylinux1_x86_64.manylinux_2_17_x86_64.manylinux2014_x86_64.whl (1.7 MB) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.7/1.7 MB 11.8 MB/s eta 0:00:00 Requirement already satisfied: numpy>=1.21.6 in /usr/local/lib/python3.10/dist-packages (from lapx>=0.5.2) (1.25.2) Installing collected packages: lapx Successfully installed lapx-0.5.9

    requirements: AutoUpdate success ✅ 7.4s, installed 1 package: ['lapx>=0.5.2'] requirements: ⚠️ Restart runtime or rerun command for updates to take effect

    0: 384x640 2 fishs, 134.7ms Speed: 13.4ms preprocess, 134.7ms inference, 747.7ms postprocess per image at shape (1, 3, 384, 640)

    DisabledFunctionError Traceback (most recent call last) in <cell line: 26>() 37 clswise_count[model.names[int(cls)]] = 1 38 ---> 39 analytics.update_bar(clswise_count) 40 cv2_imshow('Bar Plot', frame) 41 clswise_count = {}

    1 frames /usr/local/lib/python3.10/dist-packages/google/colab/_import_hooks/_cv2.py in wrapped(*args, **kwargs) 46 def wrapped(*args, **kwargs): 47 if not os.environ.get(env_var, False): ---> 48 raise DisabledFunctionError(message, name or func.name) 49 return func(*args, **kwargs) 50

    DisabledFunctionError: cv2.imshow() is disabled in Colab, because it causes Jupyter sessions to crash; see https://github.com/jupyter/notebook/issues/3935. As a substitution, consider using from google.colab.patches import cv2_imshow

    1. Paula DerrengerUltralytics

      Hello,

      Thank you for sharing the details of the issue you're encountering. It seems like the dill and lapx packages were missing but have now been successfully installed. Please ensure you restart your runtime or rerun your command to allow the updates to take effect, as suggested by the AutoUpdate messages.

      Regarding the DisabledFunctionError for cv2.imshow() in Colab, this function is indeed disabled because it can cause Jupyter sessions to crash. As an alternative, you can use cv2_imshow from the google.colab.patches module to display images in Colab notebooks. Here’s how you can modify your code:

      from google.colab.patches import cv2_imshow
      
      # Replace cv2.imshow with cv2_imshow
      cv2_imshow(frame)

      This should allow you to display images without causing any issues in your Colab environment.

      If you have any more questions or need further assistance, feel free to ask. Happy coding! 🚀

  4. yeongnamtanGitHub

    In the code for bar plots , I don't see any cv2.imshow. when I run the code, I get cv2.imshow error.

    1. Paula DerrengerUltralytics

      @yeongnamtan hello,

      It seems like you're encountering an issue with cv2.imshow not being present in the bar plot code example. This function is indeed necessary to display the frames with the visualizations in real-time. To resolve the error, you can add the following line just after updating the bar plot in the loop:

      cv2.imshow('Bar Plot', frame)

      Make sure to include this inside the loop where frames are being processed, and it will display the updated frame with the bar plot. Additionally, ensure that you have the line if cv2.waitKey(1) & 0xFF == ord('q'): to handle the window closure properly.

      If you need further assistance or have more questions, feel free to ask!

  5. yeongnamtanGitHub

    I tried to use google colab but it is giving me error because of cv2.imshow... How can I modify it to use cv2_imshow instead ... from google.colab.patches import cv2_imshow # Import cv2_imshow from google.colab.patches

    DisabledFunctionError: cv2.imshow() is disabled in Colab, because it causes Jupyter sessions to crash; see https://github.com/jupyter/notebook/issues/3935. As a substitution, consider using from google.colab.patches import cv2_imshow

    1. Paula DerrengerUltralytics

      Hello! To use cv2_imshow instead of cv2.imshow in Google Colab, you can make a simple modification to your code. First, ensure you import cv2_imshow from google.colab.patches as you've mentioned. Then, replace all instances of cv2.imshow with cv2_imshow. Here’s how you can do it:

      1. Import the function:

        from google.colab.patches import cv2_imshow
      2. Replace cv2.imshow with cv2_imshow:

        # Instead of cv2.imshow("Frame", frame)
        cv2_imshow(frame)

      This change should resolve the issue with displaying images in Google Colab. Let me know if there's anything else you need help with! 😊