Meet YOLO26: next-gen vision AI.

Link to this sectionUltralytics YOLO26による分析#

Link to this sectionはじめに#

本ガイドでは、データ可視化の基本的な3つのタイプである折れ線グラフ、棒グラフ、円グラフについて包括的に解説します。各セクションでは、Pythonを使用してこれらの可視化を作成するためのステップバイステップの手順とコードスニペットを紹介します。



Watch: How to generate Analytical Graphs using Ultralytics | Line Graphs, Bar Plots, Area and Pie Charts

Link to this section可視化のサンプル#

折れ線グラフ棒グラフ円グラフ
物体追跡のためのYOLO分析折れ線グラフ検出数のためのYOLO分析棒グラフクラス分布のためのYOLO分析円グラフ

Link to this sectionグラフが重要な理由#

  • 折れ線グラフは、短期間および長期間にわたる変化の追跡や、同じ期間内の複数のグループ間での変化を比較するのに適しています。
  • 一方、棒グラフは、異なるカテゴリ間で量を比較したり、カテゴリとその数値との関係を示すのに適しています。
  • 最後に、円グラフはカテゴリ間の比率を明確にしたり、全体の中での割合を示すのに有効です。
Ultralytics YOLOによる分析
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=True

Link to this sectionAnalyticsの引数#

以下は、Analyticsの引数をまとめた表です。

引数タイプデフォルト説明
modelstrNoneUltralytics YOLOモデルファイルへのパス。
analytics_typestr'line'グラフのタイプ（line、bar、area、または pieなど）。

You can also leverage different track arguments in the Analytics solution.

引数タイプデフォルト説明
trackerstr'botsort.yaml'使用するトラッキングアルゴリズムを指定します。組み込みのオプションは、botsort.yaml、bytetrack.yaml、ocsort.yaml、deepocsort.yaml、fasttrack.yaml、tracktrack.yamlです。
conffloat0.1検出の信頼度しきい値を設定します。低い値を設定するとより多くの物体を追跡できますが、誤検知が含まれる可能性があります。
ioufloat0.7重なり合う検出をフィルタリングするためのIntersection over Union（IoU）しきい値を設定します。
classeslistNoneクラスインデックスで結果をフィルタリングします。例えば、classes=[0, 2, 3]と設定すると、指定されたクラスのみを追跡します。
verboseboolTrue追跡結果の表示を制御し、追跡された物体の視覚的な出力を行います。
devicestrNone推論に使用するデバイスを指定します（例：cpu、cuda:0、または 0）。CPU、特定のGPU、その他の演算デバイスをモデル実行用に選択できます。

さらに、以下の可視化引数がサポートされています。

引数タイプデフォルト説明
showboolFalseTrueの場合、注釈付きの画像や動画をウィンドウに表示します。開発やテスト中の即時的な視覚フィードバックに役立ちます。
line_widthint or NoneNoneバウンディングボックスの線の太さを指定します。Noneの場合、線の太さは画像サイズに基づいて自動的に調整されます。明瞭さのための視覚的なカスタマイズが可能です。

Link to this section結論#

いつ、どのように異なる種類の可視化手法を使用すべきかを理解することは、効果的なデータ分析において重要です。折れ線グラフ、棒グラフ、円グラフは、データのストーリーをより明確かつ効果的に伝えるための基本的なツールです。Ultralytics YOLO26のAnalyticsソリューションは、物体検出や追跡結果からこれらの可視化を生成するための合理的な方法を提供し、視覚的なデータから意味のある洞察を抽出しやすくします。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics YOLO26 Analyticsを使用して折れ線グラフを作成するにはどうすればよいですか？#

Ultralytics YOLO26 Analyticsを使用して折れ線グラフを作成するには、以下の手順に従ってください。

  1. YOLO26モデルを読み込み、ビデオファイルを開きます。
  2. Analyticsクラスを初期化し、タイプを「line」に設定します。
  3. ビデオフレームを反復処理し、フレームごとの物体数などの関連データで折れ線グラフを更新します。
  4. 折れ線グラフを表示する出力ビデオを保存します。

例：

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.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,
    (1280, 720),  # 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
        results = analytics(im0, frame_count)  # update analytics graph every frame
        out.write(results.plot_im)  # write the video file
    else:
        break

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

Analyticsクラスの設定に関する詳細は、Ultralytics YOLO26による分析セクションを参照してください。

Link to this sectionUltralytics YOLO26を使用して棒グラフを作成する利点は何ですか？#

Ultralytics YOLO26を使用して棒グラフを作成することには、いくつかの利点があります。

  1. リアルタイムのデータ可視化: 物体検出結果をシームレスに棒グラフに統合し、動的に更新できます。
  2. 使いやすさ: シンプルなAPIと関数により、実装やデータ可視化が容易です。
  3. カスタマイズ性: タイトル、ラベル、色などを個別の要件に合わせてカスタマイズ可能です。
  4. 効率性: 大量のデータを効率的に処理し、ビデオ処理中にリアルタイムでグラフを更新できます。

棒グラフを生成するには、以下の例を使用してください。

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.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,
    (1280, 720),  # 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
        results = analytics(im0, frame_count)  # update analytics graph every frame
        out.write(results.plot_im)  # write the video file
    else:
        break

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

詳細については、ガイド内の棒グラフセクションを参照してください。

Link to this sectionデータ可視化プロジェクトで円グラフを作成するためにUltralytics YOLO26を使用すべき理由は何ですか？#

Ultralytics YOLO26が円グラフ作成に適している理由は以下の通りです。

  1. 物体検出との統合: 物体検出結果を直接円グラフに統合し、即座に洞察を得ることができます。
  2. ユーザーフレンドリーなAPI: 最小限のコードで設定および使用が可能です。
  3. カスタマイズ可能: 色やラベルなど、多様なカスタマイズオプションがあります。
  4. リアルタイム更新: ビデオ分析プロジェクトに最適な、リアルタイムでのデータ処理と可視化が可能です。

簡単な例を以下に示します。

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.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,
    (1280, 720),  # 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
        results = analytics(im0, frame_count)  # update analytics graph every frame
        out.write(results.plot_im)  # write the video file
    else:
        break

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

詳細については、ガイド内の円グラフセクションを参照してください。

Link to this sectionUltralytics YOLO26を使用して物体を追跡し、可視化を動的に更新することはできますか？#

はい、Ultralytics YOLO26を使用して物体を追跡し、可視化を動的に更新できます。複数の物体のリアルタイム追跡をサポートしており、追跡した物体のデータに基づいて折れ線グラフ、棒グラフ、円グラフなどの様々な可視化を更新できます。

追跡と折れ線グラフ更新の例:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.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,
    (1280, 720),  # 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
        results = analytics(im0, frame_count)  # update analytics graph every frame
        out.write(results.plot_im)  # write the video file
    else:
        break

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

完全な機能については、追跡セクションを参照してください。

Link to this sectionUltralytics YOLO26は、OpenCVやTensorFlowのような他の物体検出ソリューションと何が違いますか？#

Ultralytics YOLO26がOpenCVやTensorFlowのような他の物体検出ソリューションと一線を画す理由は、以下の通り複数あります。

  1. 最先端の精度: YOLO26は、物体検出、インスタンスセグメンテーション、セマンティックセグメンテーション、および分類タスクにおいて優れた精度を提供します。
  2. 使いやすさ: ユーザーフレンドリーなAPIにより、大規模なコーディングを必要とせず、迅速な実装と統合が可能です。
  3. リアルタイム性能: 高速推論に最適化されており、リアルタイムアプリケーションに適しています。
  4. 多様な用途: 多目的追跡、カスタムモデルトレーニング、ONNX、TensorRT、CoreMLなどの様々なフォーマットへのエクスポートを含む様々なタスクをサポートしています。
  5. 包括的なドキュメント: ユーザーを全ステップでガイドする広範なドキュメントとブログリソースがあります。

より詳細な比較やユースケースについては、Ultralyticsブログをご覧ください。

コントリビューター
GLglenn-jocher11RIRizwanMunawar9MAMatthewNoyce2LAlakshanthad1IVIvorZhu3311

コメント