Cartes thermiques du suivi d’objets avec Ultralytics YOLO26#
La solution de carte thermique d’Ultralytics YOLO26 suit les objets d’une image vidéo à l’autre et superpose à chaque image l’intensité cumulée de leurs déplacements : les zones fréquentées brillent de couleurs chaudes, tandis que les zones calmes restent froides. Basée sur le suivi d’objets de YOLO26, elle transforme n’importe quelle vidéo en carte d’activité spatiale qui révèle les flux de circulation, les déplacements de foule et les zones de stationnement, avec un seul appel Python ou une commande CLI.
Regarder : Comment créer des cartes thermiques avec Ultralytics YOLO26 | Visualiser l’activité des objets | VisionAI dans le commerce de détail 🚀
Pourquoi utiliser des cartes thermiques pour l’analyse vidéo ?#
- Repère les tendances d’activité en un coup d’œil : l’intensité s’accumule là où les objets suivis passent du temps ; les voies très fréquentées, les rayons populaires ou les goulots d’étranglement dans les foules ressortent sans avoir à examiner manuellement chaque image.
- Suivi intégré : la solution exécute la détection et le suivi YOLO26 en interne ; aucun pipeline de suivi distinct n’est donc à mettre en place.
- Comptage en une seule passe : passe un
regionpour compter les objets qui entrent dans une zone ou en sortent pendant la génération de la carte thermique, afin de combiner deux tâches d’analyse en une seule exécution.
Applications concrètes#
| Transport | Commerce de détail |
|---|---|
![]() | ![]() |
| Carte thermique des transports avec Ultralytics YOLO | Carte thermique du commerce de détail avec Ultralytics YOLO |
Comment générer des cartes thermiques avec Ultralytics YOLO#
Exécute la solution de carte thermique sur une source vidéo depuis la CLI ou Python. L’exemple Python écrit les images traitées dans un fichier vidéo de sortie :
# Run a heatmap example
yolo solutions heatmap show=True
# Pass a source video
yolo solutions heatmap source="path/to/video.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)]"Arguments de Heatmap()#
Voici un tableau des arguments de Heatmap :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
model | str | None | Chemin vers un fichier de modèle Ultralytics YOLO. |
colormap | int | cv2.COLORMAP_DEEPGREEN | Palette de couleurs à utiliser pour la carte thermique. |
show_in | bool | True | Indicateur permettant de contrôler l'affichage du nombre d'entrées dans le flux vidéo. |
show_out | bool | True | Indicateur permettant de contrôler l'affichage du nombre de sorties dans le flux vidéo. |
region | list ou dict | None | Points définissant la région d'intérêt : une liste de tuples (x, y) ou un dictionnaire associant des noms de régions à des listes de points pour plusieurs régions (uniquement RegionCounter). Si None, les solutions qui nécessitent une région utilisent une région par défaut prédéfinie. |
line_width | int | 2 | Épaisseur des lignes des boîtes, des points clés et des compteurs dessinés par la solution. |
verbose | bool | True | Active 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 appliquer différents arguments track dans la solution Heatmap.
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Indique 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 des détections ; des valeurs plus faibles permettent de suivre davantage d'objets, mais peuvent inclure des faux positifs. |
iou | float | 0.7 | Définit le seuil d'intersection sur l'union (IoU) utilisé pour filtrer les détections qui se chevauchent. |
classes | list | None | Filtre les résultats selon l'indice de classe. Par exemple, classes=[0, 2, 3] ne suit que les classes spécifiées. |
device | str | None | Indique 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. |
imgsz | int or tuple | 640 | Taille 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_det | int | 300 | Nombre maximal de détections conservées par image avant le suivi, ce qui limite le nombre d'objets qu'une solution traite dans les scènes denses. |
quantize | int or str | None | Précision de l'inférence : 16 (FP16) ou 32/non défini (FP32) pour les modèles PyTorch et TorchScript ; les autres formats utilisent la précision sélectionnée par leur artefact et leur environnement d'exécution. Remplace l'option obsolète half. |
De plus, les arguments de visualisation pris en charge sont répertoriés ci-dessous :
| Argument | Type | Valeur par défaut | Description |
|---|---|---|---|
show | bool | False | Si True, affiche les images ou vidéos annotées dans une fenêtre. Utile pour obtenir un retour visuel immédiat pendant le développement ou les tests. |
show_conf | bool | True | Affiche le score de confiance de chaque détection à côté de son étiquette. Donne une indication du degré de certitude du modèle pour chaque détection. |
show_labels | bool | True | Affiche les étiquettes de chaque détection dans le résultat visuel. Permet d'identifier immédiatement les objets détectés. |
Palettes de couleurs des cartes thermiques#
L’argument colormap accepte n’importe quelle palette de couleurs OpenCV. Transmets la constante du module cv2, par exemple colormap=cv2.COLORMAP_INFERNO :
| Nom de la palette | Description |
|---|---|
cv2.COLORMAP_AUTUMN | Palette de couleurs automne |
cv2.COLORMAP_BONE | Palette de couleurs os |
cv2.COLORMAP_JET | Palette de couleurs Jet |
cv2.COLORMAP_WINTER | Palette de couleurs Winter |
cv2.COLORMAP_RAINBOW | Palette de couleurs Rainbow |
cv2.COLORMAP_OCEAN | Palette de couleurs Ocean |
cv2.COLORMAP_SUMMER | Palette de couleurs Summer |
cv2.COLORMAP_SPRING | Palette de couleurs Spring |
cv2.COLORMAP_COOL | Palette de couleurs Cool |
cv2.COLORMAP_HSV | Palette de couleurs HSV (teinte, saturation, valeur) |
cv2.COLORMAP_PINK | Palette de couleurs Pink |
cv2.COLORMAP_HOT | Palette de couleurs Hot |
cv2.COLORMAP_PARULA | Palette de couleurs Parula |
cv2.COLORMAP_MAGMA | Palette de couleurs Magma |
cv2.COLORMAP_INFERNO | Palette de couleurs Inferno |
cv2.COLORMAP_PLASMA | Palette de couleurs Plasma |
cv2.COLORMAP_VIRIDIS | Palette de couleurs Viridis |
cv2.COLORMAP_CIVIDIS | Palette de couleurs Cividis |
cv2.COLORMAP_TWILIGHT | Palette de couleurs Twilight |
cv2.COLORMAP_TWILIGHT_SHIFTED | Palette de couleurs Twilight décalée |
cv2.COLORMAP_TURBO | Palette de couleurs Turbo |
cv2.COLORMAP_DEEPGREEN | Palette de couleurs Deep Green |
Fonctionnement des cartes de chaleur#
La solution de carte de chaleur étend la classe ObjectCounter. À la première image traitée, elle crée une couche d’intensité vierge correspondant à la taille de l’image. Chaque image est ensuite traitée en deux étapes :
- Le suivi YOLO26 détecte et suit chaque objet dans l’image.
- Pour chaque objet suivi, l’intensité de la carte de chaleur augmente dans une zone circulaire centrée sur sa boîte englobante.
Une fois par image, la couche d’intensité cumulée est normalisée, colorisée avec la palette sélectionnée, puis fusionnée avec l’image d’origine. La superposition apparaît dès qu’au moins un objet a été suivi ; jusque-là, les images s’affichent sans la superposition de la carte de chaleur.
Le résultat est une visualisation dynamique qui se construit au fil du temps et révèle les schémas de circulation, les déplacements de foule ou d’autres comportements spatiaux dans tes données vidéo. Lorsqu’un region est défini, la solution compte également les objets qui entrent dans cette zone et en sortent pendant la création de la carte de chaleur.
Conclusion#
La solution de carte de chaleur Ultralytics YOLO26 transforme les résultats du suivi d’objets en une superposition d’activité intuitive en quelques lignes de code. Pour aller plus loin, combine-la avec le comptage d’objets, explore les autres solutions Ultralytics ou consulte la documentation sur le mode de suivi sous-jacent.
FAQ#
Ultralytics YOLO26 génère des cartes de chaleur en suivant les objets d’une image vidéo à l’autre et en cumulant une valeur d’intensité à l’emplacement de chaque objet suivi, puis en colorisant le résultat et en le fusionnant avec l’image d’origine. Les zones où les objets apparaissent fréquemment ou restent longtemps accumulent une intensité plus élevée et sont rendues dans des couleurs plus chaudes. Pour connaître les options de configuration, consulte la section Arguments
Heatmap().Utilise
cv2.VideoWriterd’OpenCV et écrisresults.plot_impour chaque image traitée, comme dans l’exemple principal. L’attributplot_imcontient l’image sur laquelle la carte de chaleur est déjà superposée.Oui. Transmets un argument
regionàHeatmap()avec des points définissant une ligne, un rectangle ou un polygone, et la solution compte les objets qui entrent dans cette zone et en sortent pendant la création de la carte de chaleur. Les résultats renvoyés comprennentin_count,out_countet les comptages par classe. Consulte le guide du comptage d’objets pour en savoir plus sur la configuration des zones.Transmets l’argument
classesàHeatmap()avec les indices des classes à conserver. Par exemple,classes=[0, 2]crée la carte de chaleur uniquement à partir des personnes et des voitures (indices de classe COCO 0 et 2) :import cv2 from ultralytics import solutions cap = cv2.VideoCapture("path/to/video.mp4") heatmap = solutions.Heatmap(show=True, model="yolo26n.pt", classes=[0, 2]) while cap.isOpened(): success, im0 = cap.read() if not success: break results = heatmap(im0) cap.release() cv2.destroyAllWindows()Les cartes de chaleur Ultralytics YOLO26 intègrent la détection d’objets, le suivi, le cumul de l’intensité et le rendu de la superposition dans un seul appel, tandis que les outils génériques comme OpenCV ou Matplotlib t’obligent à créer toi-même cette chaîne de traitement. La solution traite les flux vidéo en temps réel et prend en charge d’emblée le suivi persistant et les palettes de couleurs personnalisables. Pour en savoir plus sur le modèle sous-jacent, consulte la page du modèle YOLO26.

