Visualizzazione avanzata dei dati: Heatmaps utilizzando Ultralytics YOLO11 🚀

Introduzione alle mappe di calore

Una mappa di calore generata con Ultralytics YOLO11 trasforma dati complessi in una matrice vivace e colorata. Questo strumento visivo utilizza uno spettro di colori per rappresentare i diversi valori dei dati, dove le tonalità più calde indicano intensità più elevate e quelle più fredde valori più bassi. Le heatmap eccellono nella visualizzazione di intricati modelli di dati, correlazioni e anomalie, offrendo un approccio accessibile e coinvolgente all'interpretazione dei dati in diversi ambiti.

Guarda: Mappe di calore con Ultralytics YOLO11

Perché scegliere le Heatmap per l'analisi dei dati?

• Visualizzazione intuitiva della distribuzione dei dati: Le heatmap semplificano la comprensione della concentrazione e della distribuzione dei dati, convertendo insiemi di dati complessi in formati visivi di facile comprensione.
• Rilevamento efficiente dei pattern: Visualizzando i dati in formato heatmap, diventa più facile individuare tendenze, cluster e outlier, facilitando analisi e approfondimenti più rapidi.
• Miglioramento dell'analisi spaziale e del processo decisionale: le mappe di calore sono fondamentali per illustrare le relazioni spaziali, favorendo i processi decisionali in settori quali la business intelligence, gli studi ambientali e la pianificazione urbana.

Applicazioni nel mondo reale

Trasporto	Vendita al dettaglio
Ultralytics YOLO11 Mappa di calore dei trasporti	Ultralytics YOLO11 Mappa di calore del commercio al dettaglio

# 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)]"

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
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 = cv2.VideoWriter("heatmap_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# For object counting with heatmap, you can pass region points.
# region_points = [(20, 400), (1080, 400)]                                      # line points
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]              # rectangle region
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360), (20, 400)]   # polygon points

# Initialize heatmap object
heatmap = solutions.Heatmap(
    show=True,  # display the output
    model="yolo11n.pt",  # path to the YOLO11 model file
    colormap=cv2.COLORMAP_PARULA,  # colormap of heatmap
    # region=region_points,  # object counting with heatmaps, you can pass region_points
    # classes=[0, 2],  # generate heatmap for specific classes i.e person and car.
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = heatmap(im0)

    # print(results)  # access the output

    video_writer.write(results.plot_im)  # write the processed frame.

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

Heatmap() Argomenti

Ecco una tabella con i dati Heatmap argomenti:

È inoltre possibile applicare diversi track argomenti nella sezione Heatmap soluzione.

Inoltre, gli argomenti di visualizzazione supportati sono elencati di seguito:

Mappa di calore COLORMAPI

Queste mappe di colore sono comunemente utilizzate per visualizzare i dati con rappresentazioni di colori diversi.

Come funzionano le Heatmap in Ultralytics YOLO11

La soluzione Heatmap di Ultralytics YOLO11 estende la classe ObjectCounter per generare e visualizzare i modelli di movimento nei flussi video. Quando viene inizializzata, la soluzione crea un livello di heatmap vuoto che viene aggiornato man mano che gli oggetti si muovono nell'inquadratura.

Per ogni oggetto rilevato, la soluzione:

1. Traccia l'oggetto attraverso i fotogrammi utilizzando le funzionalità di tracciamento di YOLO11.
2. Aggiorna l'intensità della mappa di calore nel punto in cui si trova l'oggetto.
3. Applica una mappa di colori selezionata per visualizzare i valori dell'intensità
4. Sovrappone la mappa di calore colorata al fotogramma originale.

Il risultato è una visualizzazione dinamica che si sviluppa nel tempo, rivelando modelli di traffico, movimenti della folla o altri comportamenti spaziali nei dati video.

FAQ

Come fa Ultralytics YOLO11 a generare le heatmap e quali sono i loro vantaggi?

Ultralytics YOLO11 genera heatmap trasformando dati complessi in una matrice colorata in cui le diverse tonalità rappresentano le intensità dei dati. Le heatmap facilitano la visualizzazione di modelli, correlazioni e anomalie nei dati. Le tonalità più calde indicano valori più alti, mentre quelle più fredde rappresentano valori più bassi. I vantaggi principali sono la visualizzazione intuitiva della distribuzione dei dati, il rilevamento efficiente dei modelli e l'analisi spaziale migliorata per il processo decisionale. Per ulteriori dettagli e opzioni di configurazione, consultare la sezione Configurazione delle mappe di calore.

È possibile utilizzare Ultralytics YOLO11 per eseguire il tracciamento degli oggetti e generare contemporaneamente una mappa di calore?

Sì, Ultralytics YOLO11 supporta il tracciamento degli oggetti e la generazione di mappe di calore contemporaneamente. Questo può essere ottenuto attraverso il suo Heatmap integrata con i modelli di tracciamento degli oggetti. A tale scopo, è necessario inizializzare l'oggetto heatmap e utilizzare le funzionalità di tracciamento di YOLO11. Ecco un semplice esempio:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
heatmap = solutions.Heatmap(colormap=cv2.COLORMAP_PARULA, show=True, model="yolo11n.pt")

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    results = heatmap(im0)
cap.release()
cv2.destroyAllWindows()

Per ulteriori indicazioni, consultare la pagina Modalità di tracciamento.

Che cosa rende le heatmap di Ultralytics YOLO11 diverse da altri strumenti di visualizzazione dei dati come quelli di OpenCV o Matplotlib?

Ultralytics YOLO11 Le heatmap di sono progettate specificamente per l'integrazione con i suoi modelli di rilevamento e tracciamento degli oggetti, fornendo una soluzione end-to-end per l'analisi dei dati in tempo reale. A differenza di strumenti di visualizzazione generici come OpenCV o Matplotlib, le heatmap di YOLO11 sono ottimizzate per le prestazioni e l'elaborazione automatica, supportando funzioni come il tracciamento persistente, la regolazione del fattore di decadimento e la sovrapposizione di video in tempo reale. Per ulteriori informazioni sulle caratteristiche uniche di YOLO11, visitate la pagina Ultralytics YOLO11 Introduzione.

Come posso visualizzare solo classi di oggetti specifiche nelle heatmap utilizzando Ultralytics YOLO11 ?

È possibile visualizzare classi di oggetti specifiche specificando le classi desiderate nell'opzione track() del modello YOLO . Per esempio, se si vogliono visualizzare solo le automobili e le persone (assumendo che i loro indici di classe siano 0 e 2), si può impostare il parametro classes di conseguenza.

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
heatmap = solutions.Heatmap(show=True, model="yolo11n.pt", classes=[0, 2])

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    results = heatmap(im0)
cap.release()
cv2.destroyAllWindows()

Perché le aziende dovrebbero scegliere Ultralytics YOLO11 per la generazione di mappe di calore nell'analisi dei dati?

Ultralytics YOLO11 offre una perfetta integrazione tra il rilevamento avanzato degli oggetti e la generazione di mappe di calore in tempo reale, rappresentando la scelta ideale per le aziende che desiderano visualizzare i dati in modo più efficace. I vantaggi principali includono la visualizzazione intuitiva della distribuzione dei dati, il rilevamento efficiente dei modelli e l'analisi spaziale migliorata per un migliore processo decisionale. Inoltre, le caratteristiche all'avanguardia di YOLO11, come il tracciamento persistente, le mappe di colore personalizzabili e il supporto di vari formati di esportazione, lo rendono superiore ad altri strumenti quali TensorFlow e OpenCV per l'analisi completa dei dati. Per saperne di più sulle applicazioni aziendali, consultate i piani diUltralytics .

📅C reato 1 anno fa ✏️ Aggiornato 6 giorni fa

Commenti