分析Ultralytics YOLO11

Q: What are the benefits of using Ultralytics YOLO11 for creating bar plots?

棒グラフの作成にUltralytics YOLO11 を使うと、いくつかの利点がある：棒グラフを作成するには、次の例を使用してください：詳しくは、ガイドの棒グラフのセクションをご覧ください。

Q: Why should I use Ultralytics YOLO11 for creating pie charts in my data visualization projects?

Ultralytics YOLO11 は円グラフの作成に最適です：以下に簡単な例を示す：詳細については、ガイドの円グラフのセクションを参照してください。

Q: What makes Ultralytics YOLO11 different from other object detection solutions like OpenCV and TensorFlow?

Ultralytics YOLO11 は、OpenCV やTensorFlow のような他のオブジェクト検出ソリューションと比較して、複数の理由で際立っています：より詳細な比較や使用例については、Ultralytics ブログをご覧ください。

はじめに

このガイドでは、折れ線グラフ、棒グラフ、円グラフという 3 種類の基本的なデータ可視化の包括的な概要を説明します。各セクションには、Python を使用してこれらのビジュアライゼーションを作成する方法について、ステップバイステップの手順とコード・スニペットが含まれています。

見るんだ： Ultralytics ｜折れ線グラフ、棒グラフ、面積グラフ、円グラフを使った分析グラフの作成方法

ビジュアル・サンプル

折れ線グラフ	バー・プロット	円グラフ

グラフが重要な理由

折れ線グラフは、短期および長期の変化を追跡したり、同じ期間における複数のグループの変化を比較するのに理想的である。
一方、棒グラフは、異なるカテゴリー間の量を比較したり、カテゴリーとその数値の関係を示したりするのに適している。
最後に、円グラフはカテゴリー間の比率を示したり、全体の一部を示したりするのに効果的である。

アナリティクスの例

CLIPython

 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()

議論 `Analytics`

以下はその表である。 Analytics という議論がある：

名称	タイプ	デフォルト	説明
`analytics_type`	`str`	`line`	グラフの種類（"折れ線"、"棒グラフ"、"面積グラフ"、"円グラフ"
`model`	`str`	`None`	Ultralytics YOLO モデルファイルへのパス
`line_width`	`int`	`2`	バウンディングボックスの線の太さ。
`show`	`bool`	`False`	ビデオストリームを表示するかどうかを制御するフラグ。

議論 `model.track`

議論	タイプ	デフォルト	説明
`source`	`str`	`None`	画像や動画のソースディレクトリを指定します。ファイルパスとURLをサポートします。
`persist`	`bool`	`False`	フレーム間のオブジェクトの永続的なトラッキングを可能にし、ビデオシーケンス間のIDを維持します。
`tracker`	`str`	`botsort.yaml`	使用するトラッキングアルゴリズムを指定する、 `bytetrack.yaml` または `botsort.yaml`.
`conf`	`float`	`0.3`	検出の信頼しきい値を設定します。低い値ではより多くのオブジェクトを追跡できますが、誤検出を含む可能性があります。
`iou`	`float`	`0.5`	重複検出をフィルタリングするためのIoU（Intersection over Union）しきい値を設定します。
`classes`	`list`	`None`	クラス・インデックスによって結果をフィルタリングする。例えば `classes=[0, 2, 3]` は指定されたクラスのみを追跡する。
`verbose`	`bool`	`True`	トラッキング結果の表示をコントロールし、トラッキングされたオブジェクトのビジュアル出力を提供します。

結論

効果的なデータ分析には、さまざまな種類のビジュアライゼーションをいつ、どのように使用するかを理解することが重要です。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のに役立つ基本的なツールです。

よくあるご質問

Ultralytics YOLO11 アナリティクスを使って折れ線グラフを作成するには？

Ultralytics YOLO11 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：

YOLO11 モデルを読み込み、ビデオファイルを開きます。
を初期化する。 Analytics クラスで、タイプは "line "に設定されている。
ビデオフレームを繰り返し、フレームごとのオブジェクト数などの関連データで折れ線グラフを更新する。
折れ線グラフを表示する出力ビデオを保存する。

例

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()

の設定の詳細については Analytics クラスは Ultralytics YOLO11 📊を使った分析セクションを参照されたい。

棒グラフの作成にUltralytics YOLO11 を使用する利点は何ですか？

棒グラフの作成にUltralytics YOLO11 を使うと、いくつかの利点がある：

リアルタイムのデータ可視化：オブジェクト検出結果をバープロットにシームレスに統合し、ダイナミックに更新。
使いやすさ：シンプルなAPIと関数により、データの実装と可視化が簡単に行える。
カスタマイズ：タイトル、ラベル、色など、お客様のご要望に合わせてカスタマイズできます。
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プロットを更新。

棒グラフを作成するには、次の例を使用する：

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()

詳しくは、ガイドの「バー・プロット」のセクションをご覧ください。

データ可視化プロジェクトで円グラフを作成するのにUltralytics YOLO11 を使用するのはなぜですか？

Ultralytics YOLO11 は円グラフの作成に最適である：

物体検出との統合：物体検出の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。
ユーザーフレンドリーなAPI：最小限のコードで簡単に設定、使用できます。
カスタマイズ可能：色やラベルなど、さまざまなカスタマイズが可能。
リアルタイム更新：ビデオ解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。

簡単な例を挙げよう：

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()

詳細については、ガイドの円グラフのセクションを参照してください。

Ultralytics YOLO11 を使ってオブジェクトを追跡し、ビジュアライゼーションを動的に更新することは可能か？

はい、Ultralytics YOLO11 、オブジェクトを追跡し、ビジュアライゼーションを動的に更新することができます。リアルタイムで複数のオブジェクトを追跡し、追跡されたオブジェクトのデータに基づいて折れ線グラフ、棒グラフ、円グラフのような様々なビジュアライゼーションを更新することができます。

折れ線グラフの追跡と更新の例：

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()

全機能については、トラッキングのセクションをご覧ください。

Ultralytics YOLO11 、OpenCVやその他のオブジェクト検出ソリューションと何が違うのか？ TensorFlow?

Ultralytics YOLO11 は、OpenCVやTensorFlow のような他のオブジェクト検出ソリューションと比較して、複数の理由で際立っている：

最先端の精度：YOLO11 は、物体検出、セグメンテーション、分類タスクにおいて優れた精度を提供します。
使いやすさ：ユーザーフレンドリーなAPIは、大規模なコーディングなしで迅速な実装と統合を可能にします。
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。
多様なアプリケーション：マルチオブジェクトトラッキング、カスタムモデルのトレーニング、ONNX 、TensorRT 、CoreML のような異なる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。
包括的なドキュメント：豊富なドキュメントとブログリソースで、ユーザーをあらゆるステップでガイドします。