Analitica con l'utilizzo di Ultralytics YOLO11

Introduzione

Questa guida fornisce una panoramica completa di tre tipi fondamentali di visualizzazione dei dati: grafici a linee, a barre e a torta. Ogni sezione include istruzioni passo passo e frammenti di codice su come creare queste visualizzazioni utilizzando Python.

Guarda: Come generare grafici analitici utilizzando Ultralytics | Grafici a linee, a barre, ad area e a torta

Campioni visivi

Grafico a linee	Trama della barra	Grafico a torta

Perché i grafici sono importanti

• I grafici a linee sono ideali per tracciare le variazioni su periodi brevi e lunghi e per confrontare le variazioni di più gruppi nello stesso periodo.
• I grafici a barre, invece, sono adatti a confrontare le quantità tra diverse categorie e a mostrare le relazioni tra una categoria e il suo valore numerico.
• Infine, i grafici a torta sono efficaci per illustrare le proporzioni tra le categorie e per mostrare le parti di un insieme.

 yolo solutions analytics show=True

# pass the source
yolo solutions analytics source="path/to/video/file.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/file.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))

# Video writer
out = cv2.VideoWriter(
    "ultralytics_analytics.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1920, 1080),  # This is fixed
)

# Init analytics
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],  # If you want to count specific classes i.e person and car with COCO pretrained model.
)

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

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

Argomento Analytics

Ecco una tabella con i dati Analytics argomenti:

Argomenti model.track

Conclusione

Capire quando e come utilizzare i diversi tipi di visualizzazione è fondamentale per un'analisi efficace dei dati. I grafici a linee, a barre e a torta sono strumenti fondamentali che possono aiutare a trasmettere la storia dei dati in modo più chiaro ed efficace.

FAQ

Come si crea un grafico a linee con Ultralytics YOLO11 Analytics?

Per creare un grafico a linee con Ultralytics YOLO11 Analytics, procedere come segue:

1. Caricare un modello YOLO11 e aprire il file video.
2. Inizializza il Analytics con il tipo impostato su "linea".
3. Iterare i fotogrammi del video, aggiornando il grafico a linee con i dati rilevanti, come il numero di oggetti per fotogramma.
4. Salvare il video di uscita che visualizza il grafico a linee.

Esempio:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("Path/to/video/file.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,
    (1920, 1080),  # 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
        im0 = analytics.process_data(im0, frame_count)  # update analytics graph every frame
        out.write(im0)  # write the video file
    else:
        break

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

Per ulteriori dettagli sulla configurazione del Analytics visitare il sito Analitica con Ultralytics YOLO11 📊 sezione.

Quali sono i vantaggi dell'utilizzo di Ultralytics YOLO11 per la creazione di diagrammi a barre?

L'utilizzo di Ultralytics YOLO11 per la creazione di diagrammi a barre offre diversi vantaggi:

1. Visualizzazione dei dati in tempo reale: Integrazione perfetta dei risultati del rilevamento degli oggetti in grafici a barre per aggiornamenti dinamici.
2. Facilità d'uso: API e funzioni semplici rendono immediata l'implementazione e la visualizzazione dei dati.
3. Personalizzazione: Personalizzazione di titoli, etichette, colori e altro ancora per soddisfare le vostre esigenze specifiche.
4. Efficienza: Gestione efficiente di grandi quantità di dati e aggiornamento dei grafici in tempo reale durante l'elaborazione dei video.

Utilizzate il seguente esempio per generare un grafico a barre:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("Path/to/video/file.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,
    (1920, 1080),  # 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
        im0 = analytics.process_data(im0, frame_count)  # update analytics graph every frame
        out.write(im0)  # write the video file
    else:
        break

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

Per saperne di più, visitate la sezione Trama delle barre della guida.

Perché utilizzare Ultralytics YOLO11 per creare grafici a torta nei progetti di visualizzazione dei dati?

Ultralytics YOLO11 è una scelta eccellente per creare grafici a torta perché:

1. Integrazione con il rilevamento degli oggetti: Integrazione diretta dei risultati del rilevamento degli oggetti nei grafici a torta per ottenere informazioni immediate.
2. API di facile utilizzo: Semplice da configurare e utilizzare con un codice minimo.
3. Personalizzabile: Varie opzioni di personalizzazione per colori, etichette e altro.
4. Aggiornamenti in tempo reale: Gestione e visualizzazione dei dati in tempo reale, ideale per i progetti di analisi video.

Ecco un rapido esempio:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("Path/to/video/file.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,
    (1920, 1080),  # 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
        im0 = analytics.process_data(im0, frame_count)  # update analytics graph every frame
        out.write(im0)  # write the video file
    else:
        break

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

Per ulteriori informazioni, consultare la sezione Grafico a torta della guida.

Ultralytics YOLO11 può essere utilizzato per tracciare gli oggetti e aggiornare dinamicamente le visualizzazioni?

Sì, Ultralytics YOLO11 può essere usato per tracciare gli oggetti e aggiornare dinamicamente le visualizzazioni. Supporta il tracciamento di più oggetti in tempo reale e può aggiornare varie visualizzazioni come grafici a linee, a barre e a torta in base ai dati degli oggetti tracciati.

Esempio di tracciamento e aggiornamento di un grafico a linee:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("Path/to/video/file.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,
    (1920, 1080),  # 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
        im0 = analytics.process_data(im0, frame_count)  # update analytics graph every frame
        out.write(im0)  # write the video file
    else:
        break

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

Per conoscere la funzionalità completa, consultare la sezione Tracciamento.

Che cosa rende Ultralytics YOLO11 diverso da altre soluzioni per il rilevamento degli oggetti come OpenCV e TensorFlow?

Ultralytics YOLO11 si distingue da altre soluzioni di rilevamento degli oggetti come OpenCV e TensorFlow per diversi motivi:

1. Precisione all'avanguardia: YOLO11 offre una precisione superiore nel rilevamento, nella segmentazione e nella classificazione degli oggetti.
2. Facilità d'uso: L'API di facile utilizzo consente un'implementazione e un'integrazione rapide senza dover ricorrere a una codifica approfondita.
3. Prestazioni in tempo reale: Ottimizzato per l'inferenza ad alta velocità, adatto alle applicazioni in tempo reale.
4. Applicazioni diverse: Supporta diverse attività, tra cui il tracciamento di più oggetti, l'addestramento di modelli personalizzati e l'esportazione in diversi formati come ONNX, TensorRT e CoreML.
5. Documentazione completa: Un'ampia documentazione e risorse blog per guidare gli utenti in ogni fase.

Per confronti e casi d'uso più dettagliati, esplorate il nostro blogUltralytics .

📅C reato 6 mesi fa ✏️ Aggiornato 10 giorni fa

Commenti