Ultralytics YOLO27 :

Cartes thermiques de suivi d'objets avec Ultralytics YOLO26#

Open Heatmaps In Colab

La solution Heatmap d'Ultralytics YOLO26 suit les objets d'une image vidéo à l'autre et superpose leur intensité de mouvement cumulée sur chaque image : les zones animées brillent dans des couleurs chaudes, tandis que les zones calmes restent dans des teintes froides. Fondée 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 mouvements de foule et les zones d'attente à l'aide d'un simple appel Python ou d'une commande CLI.



Watch: How to Create Heatmaps with Ultralytics YOLO26 | Visualize Object Activity | VisionAI in Retail 🚀

Pourquoi utiliser des cartes thermiques pour l'analyse vidéo ?#

  • Repère les tendances d'activité en un coup d'œil : l'intensité s'accumule partout où les objets suivis restent un certain temps. Les voies très fréquentées, les rayons populaires ou les points de congestion dans la foule ressortent ainsi sans examen manuel image par image.
  • Suivi intégré : la solution exécute la détection et le suivi YOLO26 en interne, sans qu'il soit nécessaire de mettre en place un pipeline de suivi distinct.
  • Comptage en un seul passage : transmets un region pour compter les objets qui entrent dans une zone et en sortent pendant la création de la carte thermique, en combinant deux tâches d'analyse en une seule exécution.

Applications concrètes#

TransportCommerce de détail
Superposition de carte thermique Ultralytics YOLO montrant la densité du trafic automobileSuperposition de carte thermique Ultralytics YOLO montrant les déplacements des clients dans un magasin
Carte thermique Ultralytics YOLO des transportsCarte thermique Ultralytics YOLO du commerce de détail

Comment générer des cartes thermiques avec Ultralytics YOLO#

Exécute la solution Heatmap sur une source vidéo depuis la CLI ou Python. L'exemple Python écrit les images traitées dans un fichier vidéo de sortie :

Cartes thermiques avec Ultralytics YOLO
# 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 présentant les arguments de Heatmap :

ArgumentTypeValeur par défautDescription
modelstrNoneChemin vers un fichier de modèle Ultralytics YOLO.
colormapintcv2.COLORMAP_DEEPGREENPalette de couleurs à utiliser pour la carte thermique.
show_inboolTrueIndicateur contrôlant l'affichage ou non des comptages entrants sur le flux vidéo.
show_outboolTrueIndicateur contrôlant l'affichage ou non des comptages sortants sur le flux vidéo.
regionlist ou dictNonePoints définissant la région d'intérêt, soit une liste de tuples (x, y), soit un dictionnaire associant les noms des régions à des listes de points pour plusieurs régions (RegionCounter uniquement). Lorsque None, les solutions qui nécessitent une région utilisent une région par défaut prédéfinie.
line_widthint2Épaisseur des lignes des boîtes, des points clés et des comptages dessinés par la solution.
verboseboolTrueActive le journal par image de la solution, qui indique la forme d'entrée, les comptages par classe et la vitesse de traitement. L'appel de suivi lui-même est toujours silencieux.

Tu peux également appliquer différents arguments track dans la solution Heatmap.

ArgumentTypeValeur par défautDescription
trackerstr'botsort.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.
ioufloat0.7Définit le seuil d'intersection sur union (IoU) pour filtrer les détections qui se chevauchent.
classeslistNoneFiltre les résultats par 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 de l'image d'inférence cible : un entier pour un carré ou une paire (height, width). Les formes sont ajustées au pas du modèle.
max_detint300Nombre maximal de détections conservées par image avant le suivi, ce qui limite les objets qu'une solution traite dans les scènes denses.
quantizeint or strNonePrécision de l'inférence : 16 (FP16) ou 32/non définie (FP32) pour les modèles PyTorch et TorchScript ; les autres formats s'exécutent à la précision sélectionnée par leur artefact et leur moteur d'exécution. Remplace l'indicateur obsolète half.

De plus, les arguments de visualisation pris en charge sont listés ci-dessous :

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.
show_confboolTrueAffiche le score de confiance de chaque détection à côté de son étiquette. Donne un aperçu du degré de certitude du modèle pour chaque détection.
show_labelsboolTrueAffiche les étiquettes de chaque détection dans la sortie visuelle. Permet d’identifier immédiatement les objets détectés.

Palettes de couleurs des cartes thermiques#

L'argument colormap accepte toute palette de couleurs OpenCV. Transmets la constante du module cv2, par exemple colormap=cv2.COLORMAP_INFERNO :

Nom de la palette de couleursDescription
cv2.COLORMAP_AUTUMNPalette de couleurs Autumn
cv2.COLORMAP_BONEPalette de couleurs Bone
cv2.COLORMAP_JETPalette de couleurs Jet
cv2.COLORMAP_WINTERPalette de couleurs Winter
cv2.COLORMAP_RAINBOWPalette de couleurs Rainbow
cv2.COLORMAP_OCEANPalette de couleurs Ocean
cv2.COLORMAP_SUMMERPalette de couleurs Summer
cv2.COLORMAP_SPRINGPalette de couleurs Spring
cv2.COLORMAP_COOLPalette de couleurs Cool
cv2.COLORMAP_HSVPalette de couleurs HSV (teinte, saturation, valeur)
cv2.COLORMAP_PINKPalette de couleurs Pink
cv2.COLORMAP_HOTPalette de couleurs Hot
cv2.COLORMAP_PARULAPalette de couleurs Parula
cv2.COLORMAP_MAGMAPalette de couleurs Magma
cv2.COLORMAP_INFERNOPalette de couleurs Inferno
cv2.COLORMAP_PLASMAPalette de couleurs Plasma
cv2.COLORMAP_VIRIDISPalette de couleurs Viridis
cv2.COLORMAP_CIVIDISPalette de couleurs Cividis
cv2.COLORMAP_TWILIGHTPalette de couleurs Twilight
cv2.COLORMAP_TWILIGHT_SHIFTEDPalette de couleurs Twilight décalée
cv2.COLORMAP_TURBOPalette de couleurs Turbo
cv2.COLORMAP_DEEPGREENPalette de couleurs Deep Green

Fonctionnement des cartes thermiques#

La solution Heatmap étend la classe ObjectCounter. Lors de 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 :

  1. Le suivi YOLO26 détecte et suit chaque objet présent dans l'image
  2. Pour chaque objet suivi, l'intensité de la carte thermique 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 originale. La superposition apparaît dès qu'au moins un objet est suivi ; les images sans objet suivi sont affichées sans superposition de carte thermique.

Le résultat est une visualisation dynamique qui se construit au fil du temps et révèle les tendances du trafic, les mouvements 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 région et en sortent pendant la création de la carte thermique.

Conclusion#

La solution Heatmap Ultralytics YOLO26 transforme les résultats du suivi d'objets en une superposition d'activité intuitive à l'aide de 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 thermiques en suivant les objets d'une image vidéo à l'autre et en accumulant une valeur d'intensité à l'emplacement de chaque objet suivi, puis en colorisant le résultat et en le fusionnant avec l'image originale. Les zones où les objets apparaissent fréquemment ou restent longtemps accumulent une intensité plus élevée et s'affichent dans des couleurs plus chaudes. Pour connaître les options de configuration, consulte la section Arguments Heatmap().

  • Utilise cv2.VideoWriter d'OpenCV et écris results.plot_im pour chaque image traitée, comme indiqué dans l'exemple principal. L'attribut plot_im contient l'image avec la superposition de la carte thermique déjà appliquée.

  • Oui. Transmets un argument region à Heatmap() avec les points d'une ligne, d'un rectangle ou d'un polygone ; la solution compte alors les objets qui entrent dans cette région et en sortent pendant la création de la carte thermique. Les résultats renvoyés incluent in_count, out_count et les comptages par classe. Consulte le guide du comptage d'objets pour plus de détails sur la configuration des régions.

  • Transmets l'argument classes à Heatmap() avec les indices des classes que tu souhaites conserver. Par exemple, classes=[0, 2] crée la carte thermique 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 thermiques Ultralytics YOLO26 intègrent la détection d'objets, le suivi, l'accumulation de l'intensité et le rendu de la superposition en un seul appel, tandis que les outils génériques comme OpenCV ou Matplotlib t'obligent à créer toi-même ce pipeline. La solution traite les flux vidéo en temps réel et prend en charge le suivi persistant ainsi que les palettes de couleurs personnalisables dès le départ. Pour en savoir plus sur le modèle sous-jacent, consulte la page du modèle YOLO26.

Contributeurs
RIRizwanMunawar20GLglenn-jocher20RAraimbekovm4MAMatthewNoyce2PDpderrenger1IVIvorZhu3311AYAyushExel1YOYOLOv5-Magic1

Commentaires