Visualizzazione avanzata dei dati: Mappe di calore con Ultralytics YOLO11 🚀

Introduzione alle mappe di calore

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

Guarda: Mappe di calore che utilizzano Ultralytics YOLO11

Perché scegliere le mappe di calore per l'analisi dei dati?

• Visualizzazione Intuitiva della Distribuzione dei Dati: Le mappe di calore semplificano la comprensione della concentrazione e della distribuzione dei dati, convertendo dataset complessi in formati visivi facili da capire.
• Rilevamento Efficiente di Pattern: Visualizzando i dati in formato heatmap, diventa più facile individuare tendenze, cluster e outlier, facilitando un'analisi e approfondimenti più rapidi.
• Analisi Spaziale e Processo Decisionale Migliorati: Le heatmap sono fondamentali per illustrare le relazioni spaziali, aiutando nei processi decisionali in settori come la business intelligence, gli studi ambientali e la pianificazione urbana.

Applicazioni nel mondo reale

Trasporti	Vendita al dettaglio
Heatmap per il trasporto di Ultralytics YOLO11	Heatmap per la vendita al dettaglio di Ultralytics YOLO11

# 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 Heatmap argomenti:

È anche possibile applicare diversi track argomenti nel Heatmap solution.

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

Mappe di calore COLORMAP

Queste colormap sono comunemente utilizzate per visualizzare i dati con diverse rappresentazioni di colore.

Come funzionano le mappe di calore in Ultralytics YOLO11

La soluzione Heatmap in 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 heatmap vuoto che viene aggiornato man mano che gli oggetti si muovono attraverso il frame.

Per ogni oggetto rilevato, la soluzione:

1. Traccia l'oggetto attraverso i fotogrammi utilizzando le capacità di tracciamento di YOLO11
2. Aggiorna l'intensità della heatmap nella posizione dell'oggetto
3. Applica una colormap selezionata per visualizzare i valori di intensità
4. Sovrappone la heatmap colorata al frame originale

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

FAQ

In che modo Ultralytics YOLO11 genera mappe di calore e quali sono i loro vantaggi?

Ultralytics YOLO11 genera mappe di calore trasformando dati complessi in una matrice con codifica a colori dove diverse tonalità rappresentano le intensità dei dati. Le mappe di calore semplificano la visualizzazione di modelli, correlazioni e anomalie nei dati. Le tonalità più calde indicano valori più alti, mentre i toni più freddi rappresentano valori più bassi. I vantaggi principali includono la visualizzazione intuitiva della distribuzione dei dati, il rilevamento efficiente dei modelli e l'analisi spaziale avanzata per il processo decisionale. Per maggiori dettagli e opzioni di configurazione, fare riferimento alla sezione Configurazione della mappa di calore.

Posso utilizzare Ultralytics YOLO11 per eseguire il tracciamento degli oggetti e generare contemporaneamente una heatmap?

Sì, Ultralytics YOLO11 supporta il tracciamento degli oggetti e la generazione di heatmap contemporaneamente. Ciò può essere ottenuto tramite la sua Heatmap soluzione integrata con modelli di object tracking. Per farlo, devi inizializzare l'oggetto heatmap e utilizzare le funzionalità di tracking 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, consulta la pagina della Modalità Tracking.

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

Le heatmapYOLO11 Ultralytics sono specificamente progettate 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 YOLO11 sono ottimizzate per le prestazioni e l'elaborazione automatica, e supportano 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 l'introduzione di Ultralytics YOLO11 .

Come posso visualizzare solo specifiche classi di oggetti nelle mappe di calore usando Ultralytics YOLO11?

Puoi visualizzare classi di oggetti specifiche specificando le classi desiderate nel track() method del modello YOLO. Ad esempio, se vuoi visualizzare solo auto e persone (supponendo che i loro indici di classe siano 0 e 2), puoi impostare il classes parameter 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 sono 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 come 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 mesi fa

Commenti