Analisi con Ultralytics YOLO26#
Le analisi con Ultralytics YOLO26 trasformano i risultati del rilevamento degli oggetti e del tracciamento in grafici in tempo reale, così puoi osservare come cambiano i conteggi degli oggetti, fotogramma per fotogramma. 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 da uno all'altro usando esempi condivisi per Python e CLI.
Guarda: Come generare grafici analitici con Ultralytics | Grafici a linee, a barre, ad area e a torta
Esempi visivi#
| Grafico a linee | Grafico a barre | Grafico a torta |
|---|---|---|
 |  |  |
Perché visualizzare i dati di rilevamento?#
- I grafici a linee sono ideali per monitorare le variazioni su periodi brevi e lunghi e per confrontare l'andamento 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 categorie e mostrare le parti di un insieme.
- I grafici ad area riempiono lo spazio sotto il grafico a linee, rendendo più immediata la lettura dei conteggi degli oggetti per classe nel tempo.
Genera grafici di analisi#
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 disegna un grafico da 1280×720 (per impostazione predefinita), che puoi scrivere direttamente in un video di output. Passa da "line" a "bar", "pie" e "area" con un solo 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 di Analytics#
Ecco una tabella che riepiloga gli argomenti di Analytics:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
model | str | None | Percorso a un file modello Ultralytics YOLO. |
analytics_type | str | 'line' | Tipo di grafico, ad es. line, bar, area o pie. |
figsize | tuple[float, float] | (12.8, 7.2) | Dimensioni della figura in pollici per i grafici Analytics; (12.8, 7.2) genera un fotogramma da 1280×720. |
line_width | int | 2 | Spessore delle linee dei riquadri, dei punti chiave e dei conteggi disegnati dalla soluzione. |
verbose | bool | True | Abilita il log per frame della soluzione, con forma dell'input, conteggi per classe e velocità di elaborazione. La chiamata di tracking è sempre silenziosa. |
Puoi anche usare diversi argomenti track nella soluzione Analytics.
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Specifica l'algoritmo di tracciamento da usare. 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 destinazione per l'inferenza: un intero per un'immagine quadrata o una coppia (height, width). Le forme vengono adattate allo stride del modello. |
max_det | int | 300 | Numero massimo di rilevazioni da mantenere per fotogramma prima del tracciamento, che limita gli oggetti elaborati da una soluzione nelle scene dense. |
quantize | int or str | None | Precisione dell’inferenza: 16 (FP16) oppure 32/unset (FP32) per i modelli PyTorch e TorchScript quando non si usa la CPU; gli altri formati usano la precisione selezionata dal rispettivo artefatto e ambiente di esecuzione. Sostituisce l’argomento deprecato half. |
Sono inoltre supportati i seguenti argomenti di visualizzazione:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
show | bool | False | Se True, mostra le immagini o i video annotati in una finestra. Utile per ottenere un riscontro visivo immediato durante lo sviluppo o i test. |
Conclusione#
Capire quando e come usare i diversi tipi di visualizzazione è fondamentale per un'analisi efficace dei dati. I grafici a linee, a barre e a torta sono strumenti essenziali che possono aiutarti a raccontare i dati in modo più chiaro ed efficace. La soluzione Analytics di Ultralytics YOLO26 offre un metodo semplificato per generare queste visualizzazioni dai risultati del rilevamento degli oggetti e del tracciamento, facilitando l'estrazione di informazioni significative dai tuoi dati visivi.
Domande frequenti#
Per creare un grafico a linee con Ultralytics YOLO26 Analytics, segui questi passaggi:
- Carica un modello YOLO26 e apri il file video.
- Inizializza la classe
Analyticsconanalytics_type="line". - Scorri i 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 come punto di partenza l'esempio Python qui sopra: esegue già l'intero ciclo sui fotogrammi e il grafico a linee è il
analytics_typepredefinito.Usare Ultralytics YOLO26 per creare grafici a barre offre diversi vantaggi:
- Visualizzazione dei dati in tempo reale: integra senza problemi i risultati del rilevamento degli oggetti nei grafici a barre per aggiornarli dinamicamente.
- Facilità d'uso: API e funzioni semplici rendono immediata l'implementazione e la visualizzazione dei dati.
- Personalizzazione: personalizza titoli, etichette, colori e altro per adattarli alle tue esigenze specifiche.
- 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 qui sopra: il resto del ciclo sui fotogrammi è identico. Consulta la sezione Esempi visivi per un'anteprima.Ultralytics YOLO26 è un'ottima scelta 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 usare con poche righe 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 soluzione ideale per i progetti di analisi video.
Per generare un grafico a torta, imposta
analytics_type="pie"nell'esempio Python qui sopra. 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 ogni 30 fotogrammi usando i dati degli oggetti tracciati, così grafici a linee, a barre, a torta e ad area riflettono tutti i conteggi aggiornati. È proprio ciò che fa il ciclo sui fotogrammi nell'esempio Python qui sopra. Per informazioni sulla funzionalità di tracciamento sottostante, consulta la sezione Tracciamento.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 inferenze ad alta velocità, è adatto alle applicazioni in tempo reale.
- Ampia varietà di applicazioni: supporta il tracciamento di più oggetti, l'addestramento di modelli personalizzati e l'esportazione in formati diversi come ONNX, TensorRT e CoreML.
- Documentazione completa: ampia documentazione e risorse del blog per guidare gli utenti in ogni fase.
Per confronti e casi d'uso più dettagliati, esplora il nostro blog Ultralytics.