Analisi con Ultralytics YOLO26#
L'analisi con Ultralytics YOLO26 trasforma i risultati di rilevamento degli oggetti e tracciamento in grafici in tempo reale, così puoi osservare come cambiano i conteggi degli oggetti attraverso i fotogrammi di un video. Questa guida illustra quattro tipi di visualizzazione dei dati — grafici a linee, grafici a barre, grafici a torta e grafici ad area — e mostra come passare dall'uno all'altro con esempi condivisi in Python e CLI.
Watch: How to generate Analytical Graphs using Ultralytics | Line Graphs, Bar Plots, Area and Pie Charts
Esempi visivi#
| Grafico a linee | Grafico a barre | Grafico a torta |
|---|---|---|
 |  |  |
Perché visualizzare i dati dei rilevamenti?#
- I grafici a linee sono ideali per monitorare i cambiamenti su periodi brevi e lunghi e per confrontare i cambiamenti di più gruppi nello stesso periodo.
- I grafici a barre sono adatti per confrontare quantità tra categorie diverse e mostrare le relazioni tra una categoria e il suo valore numerico.
- I grafici a torta sono efficaci per illustrare le proporzioni tra le categorie e mostrare le parti di un insieme.
- I grafici ad area riempiono il grafico a linee, facilitando la lettura immediata dei conteggi degli oggetti per classe nel tempo.
Genera grafici analitici#
Passa il video alla soluzione Analytics e seleziona un grafico con analytics_type. La soluzione esegue il rilevamento e il tracciamento su ogni fotogramma e genera un grafico 1280×720 (per impostazione predefinita) che puoi scrivere direttamente in un video di output. Passa da "line", "bar", "pie" e "area" con un singolo argomento.
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=TrueArgomenti Analytics#
Ecco una tabella che illustra gli argomenti di Analytics:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
model | str | None | Percorso al file del modello Ultralytics YOLO. |
analytics_type | str | 'line' | Tipo di grafico, ovvero line, bar, area o pie. |
line_width | int | 2 | Spessore delle linee per i riquadri, i punti chiave e i conteggi disegnati dalla soluzione. |
verbose | bool | True | Abilita il registro per fotogramma della soluzione, con forma dell'input, conteggi delle classi e velocità di elaborazione. La chiamata di tracciamento è sempre silenziosa. |
Puoi anche utilizzare diversi argomenti di track nella soluzione Analytics.
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Specifica l'algoritmo di tracciamento da utilizzare. Opzioni integrate: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Imposta la soglia di confidenza per le rilevazioni; valori più bassi consentono di tracciare più oggetti, ma possono includere falsi positivi. |
iou | float | 0.7 | Imposta la soglia di Intersezione sull'unione (IoU) per filtrare le rilevazioni sovrapposte. |
classes | list | None | Filtra i risultati in base all'indice della classe. Ad esempio, classes=[0, 2, 3] traccia solo le classi specificate. |
device | str | None | Specifica il dispositivo per l'inferenza (ad es. cpu, cuda:0 o 0). Consente di scegliere tra CPU, una GPU specifica o altri dispositivi di calcolo per l'esecuzione del modello. |
imgsz | int or tuple | 640 | Dimensione dell'immagine di inferenza di destinazione: un numero intero per un'immagine quadrata o una coppia (height, width). Le forme vengono regolate in base al passo del modello. |
max_det | int | 300 | Numero massimo di rilevamenti conservati per fotogramma prima del tracciamento, limitando gli oggetti elaborati da una soluzione in scene dense. |
quantize | int or str | None | Precisione dell'inferenza: 16 (FP16) o 32/non impostato (FP32) per i modelli PyTorch e TorchScript; altri formati vengono calcolati alla precisione selezionata dal loro artefatto e runtime. Sostituisce il flag deprecato half. |
Inoltre, sono supportati i seguenti argomenti di visualizzazione:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
show | bool | False | Se True, visualizza le immagini o i video annotati in una finestra. È utile per ottenere un feedback visivo immediato durante lo sviluppo o i test. |
Conclusioni#
Capire quando e come utilizzare diversi tipi di visualizzazione è fondamentale per un'analisi efficace dei dati. I grafici a linee, i grafici a barre e i grafici a torta sono strumenti fondamentali che possono aiutarti a comunicare la storia dei tuoi dati in modo più chiaro ed efficace. La soluzione Analytics di Ultralytics YOLO26 offre un modo semplificato per generare queste visualizzazioni dai risultati di rilevamento degli oggetti e tracciamento, facilitando l'estrazione di informazioni significative dai tuoi dati visivi.
FAQ#
Per creare un grafico a linee usando Analytics di Ultralytics YOLO26, segui questi passaggi:
- Carica un modello YOLO26 e apri il file video.
- Inizializza la classe
Analyticsconanalytics_type="line". - Itera sui fotogrammi del video, chiamando la soluzione a ogni fotogramma per aggiornare il grafico a linee con dati come i conteggi degli oggetti.
- Scrivi
results.plot_imin un video di output per salvare il grafico.
Usa l'esempio Python precedente come punto di partenza: esegue già il ciclo completo sui fotogrammi e un grafico a linee è il valore predefinito di
analytics_type.L'utilizzo di Ultralytics YOLO26 per creare grafici a barre offre diversi vantaggi:
- Visualizzazione dei dati in tempo reale: integra perfettamente i risultati del rilevamento degli oggetti nei grafici a barre per aggiornamenti dinamici.
- Facilità d'uso: API e funzioni semplici rendono facile implementare e visualizzare i dati.
- Personalizzazione: personalizza titoli, etichette, colori e altro per soddisfare i tuoi requisiti specifici.
- Efficienza: gestisci in modo efficiente grandi quantità di dati e aggiorna i grafici in tempo reale durante l'elaborazione video.
Per generare un grafico a barre, imposta
analytics_type="bar"nell'esempio Python precedente: il resto del ciclo sui fotogrammi è identico. Consulta la sezione Esempi visivi per un'anteprima.Ultralytics YOLO26 è una scelta eccellente per creare grafici a torta perché:
- Integrazione con il rilevamento degli oggetti: integra direttamente i risultati del rilevamento degli oggetti nei grafici a torta per ottenere informazioni immediate.
- API intuitiva: semplice da configurare e utilizzare con una quantità minima di codice.
- Personalizzabile: offre diverse opzioni di personalizzazione per colori, etichette e altro.
- Aggiornamenti in tempo reale: gestisci e visualizza i dati in tempo reale, una caratteristica ideale per i progetti di analisi video.
Per generare un grafico a torta, imposta
analytics_type="pie"nell'esempio Python precedente. Per ulteriori informazioni, consulta la sezione Esempi visivi della guida.Sì. Il tracciamento è integrato nella soluzione
Analytics: traccia più oggetti in tempo reale e aggiorna il grafico a ogni fotogramma usando i dati degli oggetti tracciati, così grafici a linee, grafici a barre, grafici a torta e grafici ad area riflettono tutti i conteggi in tempo reale. È esattamente ciò che fa il ciclo sui fotogrammi nell'esempio Python precedente. Per informazioni sulla funzionalità di tracciamento sottostante, consulta la sezione Tracking.Ultralytics YOLO26 si distingue da altre soluzioni di rilevamento degli oggetti come OpenCV e TensorFlow per diversi motivi:
- Precisione all'avanguardia: YOLO26 offre una precisione superiore nelle attività di rilevamento degli oggetti, segmentazione delle istanze, segmentazione semantica e classificazione.
- Facilità d'uso: l'API intuitiva consente un'implementazione e un'integrazione rapide senza dover scrivere molto codice.
- Prestazioni in tempo reale: ottimizzato per l'inferenza ad alta velocità, è adatto alle applicazioni in tempo reale.
- Applicazioni diversificate: supporta il tracciamento di più oggetti, l'addestramento di modelli personalizzati e l'esportazione in diversi formati come ONNX, TensorRT e CoreML.
- Documentazione completa: un'ampia documentazione e risorse del blog guidano gli utenti in ogni fase.
Per confronti e casi d'uso più dettagliati, esplora il nostro blog di Ultralytics.