다음을 사용한 분석 Ultralytics YOLOv8

Q: How do I create a line graph using Ultralytics YOLOv8 Analytics?

Ultralytics YOLOv8 애널리틱스를 사용하여 라인 그래프를 만들려면 다음 단계를 따르세요: 예시: 애널리틱스 클래스 구성에 대한 자세한 내용은 Ultralytics YOLOv8 📊를 사용한 애널리틱스 섹션을 참조하세요.

Q: What are the benefits of using Ultralytics YOLOv8 for creating bar plots?

Ultralytics YOLOv8 을 사용하여 막대형 플롯을 만들면 몇 가지 이점이 있습니다: 다음 예시를 사용하여 막대형 플롯을 생성해 보세요: 자세히 알아보려면 가이드의 막대형 차트 섹션을 참조하세요.

Q: Why should I use Ultralytics YOLOv8 for creating pie charts in my data visualization projects?

Ultralytics YOLOv8 는 파이 차트를 만드는 데 탁월한 선택입니다: 다음은 간단한 예시입니다: 자세한 내용은 가이드의 파이 차트 섹션을 참조하세요.

Q: What makes Ultralytics YOLOv8 different from other object detection solutions like OpenCV and TensorFlow?

Ultralytics YOLOv8 는 여러 가지 이유로 OpenCV, TensorFlow 등 다른 객체 감지 솔루션과 차별화됩니다: 자세한 비교 및 사용 사례는 Ultralytics 블로그를 참조하세요.

소개

이 가이드에서는 선 그래프, 막대형 차트, 원형 차트의 세 가지 기본 데이터 시각화 유형에 대한 포괄적인 개요를 제공합니다. 각 섹션에는 Python 을 사용하여 이러한 시각화를 만드는 방법에 대한 단계별 지침과 코드 스니펫이 포함되어 있습니다.

시각적 샘플

선 그래프	막대 플롯	파이 차트

그래프가 중요한 이유

선 그래프는 장단기 변화를 추적하고 같은 기간 동안 여러 그룹의 변화를 비교하는 데 이상적입니다.
반면 막대형 막대그래프는 여러 카테고리의 수량을 비교하고 카테고리와 해당 수치 사이의 관계를 표시하는 데 적합합니다.
마지막으로 파이 차트는 카테고리 간의 비율을 설명하고 전체의 일부를 표시하는 데 효과적입니다.

분석 예제

선 그래프여러 회선파이 차트막대 플롯영역 차트

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")

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("line_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(
    type="line",
    writer=out,
    im0_shape=(w, h),
    view_img=True,
)
total_counts = 0
frame_count = 0

while cap.isOpened():
    success, frame = cap.read()

    if success:
        frame_count += 1
        results = model.track(frame, persist=True, verbose=True)

        if results[0].boxes.id is not None:
            boxes = results[0].boxes.xyxy.cpu()
            for box in boxes:
                total_counts += 1

        analytics.update_line(frame_count, total_counts)

        total_counts = 0
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")

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("multiple_line_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(
    type="line",
    writer=out,
    im0_shape=(w, h),
    view_img=True,
    max_points=200,
)

frame_count = 0
data = {}
labels = []

while cap.isOpened():
    success, frame = cap.read()

    if success:
        frame_count += 1

        results = model.track(frame, persist=True)

        if results[0].boxes.id is not None:
            boxes = results[0].boxes.xyxy.cpu()
            track_ids = results[0].boxes.id.int().cpu().tolist()
            clss = results[0].boxes.cls.cpu().tolist()

            for box, track_id, cls in zip(boxes, track_ids, clss):
                # Store each class label
                if model.names[int(cls)] not in labels:
                    labels.append(model.names[int(cls)])

                # Store each class count
                if model.names[int(cls)] in data:
                    data[model.names[int(cls)]] += 1
                else:
                    data[model.names[int(cls)]] = 0

        # update lines every frame
        analytics.update_multiple_lines(data, labels, frame_count)
        data = {}  # clear the data list for next frame
    else:
        break

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")

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("pie_chart.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(
    type="pie",
    writer=out,
    im0_shape=(w, h),
    view_img=True,
)

clswise_count = {}

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True, verbose=True)
        if results[0].boxes.id is not None:
            boxes = results[0].boxes.xyxy.cpu()
            clss = results[0].boxes.cls.cpu().tolist()
            for box, cls in zip(boxes, clss):
                if model.names[int(cls)] in clswise_count:
                    clswise_count[model.names[int(cls)]] += 1
                else:
                    clswise_count[model.names[int(cls)]] = 1

            analytics.update_pie(clswise_count)
            clswise_count = {}

        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")

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("bar_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(
    type="bar",
    writer=out,
    im0_shape=(w, h),
    view_img=True,
)

clswise_count = {}

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True, verbose=True)
        if results[0].boxes.id is not None:
            boxes = results[0].boxes.xyxy.cpu()
            clss = results[0].boxes.cls.cpu().tolist()
            for box, cls in zip(boxes, clss):
                if model.names[int(cls)] in clswise_count:
                    clswise_count[model.names[int(cls)]] += 1
                else:
                    clswise_count[model.names[int(cls)]] = 1

            analytics.update_bar(clswise_count)
            clswise_count = {}

        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")

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("area_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(
    type="area",
    writer=out,
    im0_shape=(w, h),
    view_img=True,
)

clswise_count = {}
frame_count = 0

while cap.isOpened():
    success, frame = cap.read()
    if success:
        frame_count += 1
        results = model.track(frame, persist=True, verbose=True)

        if results[0].boxes.id is not None:
            boxes = results[0].boxes.xyxy.cpu()
            clss = results[0].boxes.cls.cpu().tolist()

            for box, cls in zip(boxes, clss):
                if model.names[int(cls)] in clswise_count:
                    clswise_count[model.names[int(cls)]] += 1
                else:
                    clswise_count[model.names[int(cls)]] = 1

        analytics.update_area(frame_count, clswise_count)
        clswise_count = {}
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

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

인수 `Analytics`

다음은 표입니다. Analytics 인수를 사용합니다:

이름	유형	기본값	설명
`type`	`str`	`None`	데이터 또는 객체의 유형입니다.
`im0_shape`	`tuple`	`None`	초기 이미지의 모양입니다.
`writer`	`cv2.VideoWriter`	`None`	비디오 파일 쓰기용 개체입니다.
`title`	`str`	`ultralytics`	비주얼리제이션의 제목입니다.
`x_label`	`str`	`x`	X축의 레이블입니다.
`y_label`	`str`	`y`	Y축의 레이블입니다.
`bg_color`	`str`	`white`	배경색.
`fg_color`	`str`	`black`	전경색.
`line_color`	`str`	`yellow`	선의 색상.
`line_width`	`int`	`2`	선의 너비입니다.
`fontsize`	`int`	`13`	텍스트의 글꼴 크기입니다.
`view_img`	`bool`	`False`	이미지 또는 동영상을 표시하려면 플래그를 클릭합니다.
`save_img`	`bool`	`True`	플래그를 지정하여 이미지 또는 동영상을 저장합니다.
`max_points`	`int`	`50`	여러 선의 경우, 초기 점을 삭제하기 전에 프레임에 그려진 총 점입니다.
`points_width`	`int`	`15`	선 포인트 형광펜의 너비.

인수 `model.track`

이름	유형	기본값	설명
`source`	`im0`	`None`	이미지 또는 비디오의 소스 디렉토리
`persist`	`bool`	`False`	프레임 간 트랙 지속
`tracker`	`str`	`botsort.yaml`	추적 방법 '바이트트랙' 또는 '봇소트'
`conf`	`float`	`0.3`	신뢰 임계값
`iou`	`float`	`0.5`	IOU 임계값
`classes`	`list`	`None`	클래스별로 결과를 필터링합니다(예: classes=0 또는 classes=[0,2,3]).
`verbose`	`bool`	`True`	개체 추적 결과 표시

결론

효과적인 데이터 분석을 위해서는 다양한 유형의 시각화를 언제, 어떻게 사용해야 하는지 이해하는 것이 중요합니다. 선 그래프, 막대형 차트, 파이 차트는 데이터의 스토리를 보다 명확하고 효과적으로 전달하는 데 도움이 되는 기본적인 도구입니다.

자주 묻는 질문

Ultralytics YOLOv8 애널리틱스를 사용하여 라인 그래프를 만들려면 어떻게 해야 하나요?

Ultralytics YOLOv8 애널리틱스를 사용하여 라인 그래프를 만들려면 다음 단계를 따르세요:

YOLOv8 모델을 로드하고 동영상 파일을 엽니다.
초기화 Analytics 클래스의 유형을 "line"으로 설정합니다.
비디오 프레임을 반복하여 프레임당 개체 수와 같은 관련 데이터로 선 그래프를 업데이트합니다.
선 그래프가 표시된 출력 동영상을 저장합니다.

예시:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")
cap = cv2.VideoCapture("Path/to/video/file.mp4")
out = cv2.VideoWriter("line_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(type="line", writer=out, im0_shape=(w, h), view_img=True)

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True)
        total_counts = sum([1 for box in results[0].boxes.xyxy])
        analytics.update_line(frame_count, total_counts)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

구성에 대한 자세한 내용은 Analytics 클래스를 방문하십시오. Ultralytics YOLOv8 📊을 사용한 분석 섹션으로 이동합니다.

막대형 차트 생성에 Ultralytics YOLOv8 을 사용하면 어떤 이점이 있나요?

막대형 차트 생성에 Ultralytics YOLOv8 을 사용하면 몇 가지 이점이 있습니다:

실시간 데이터 시각화: 개체 감지 결과를 막대형 차트에 원활하게 통합하여 동적으로 업데이트할 수 있습니다.
사용 편의성: 간단한 API와 함수로 데이터를 쉽게 구현하고 시각화할 수 있습니다.
사용자 지정: 제목, 라벨, 색상 등을 특정 요구사항에 맞게 사용자 지정하세요.
효율성: 대용량 데이터를 효율적으로 처리하고 동영상 처리 중에 실시간으로 플롯을 업데이트할 수 있습니다.

다음 예제를 사용하여 막대형 차트를 생성합니다:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")
cap = cv2.VideoCapture("Path/to/video/file.mp4")
out = cv2.VideoWriter("bar_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(type="bar", writer=out, im0_shape=(w, h), view_img=True)

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True)
        clswise_count = {
            model.names[int(cls)]: boxes.size(0)
            for cls, boxes in zip(results[0].boxes.cls.tolist(), results[0].boxes.xyxy)
        }
        analytics.update_bar(clswise_count)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

자세히 알아보려면 가이드의 막대형 차트 섹션을 참조하세요.

데이터 시각화 프로젝트에서 파이 차트를 만들 때 Ultralytics YOLOv8 을 사용해야 하는 이유는 무엇인가요?

Ultralytics YOLOv8 는 파이 차트를 만드는 데 탁월한 선택입니다:

객체 감지와 통합: 개체 감지 결과를 파이 차트에 직접 통합하여 즉각적인 인사이트를 얻을 수 있습니다.
사용자 친화적인 API: 최소한의 코드로 간편하게 설정하고 사용할 수 있습니다.
사용자 지정 가능: 색상, 라벨 등에 대한 다양한 사용자 지정 옵션이 있습니다.
실시간 업데이트: 실시간으로 데이터를 처리하고 시각화할 수 있어 동영상 분석 프로젝트에 이상적입니다.

다음은 간단한 예입니다:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")
cap = cv2.VideoCapture("Path/to/video/file.mp4")
out = cv2.VideoWriter("pie_chart.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(type="pie", writer=out, im0_shape=(w, h), view_img=True)

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True)
        clswise_count = {
            model.names[int(cls)]: boxes.size(0)
            for cls, boxes in zip(results[0].boxes.cls.tolist(), results[0].boxes.xyxy)
        }
        analytics.update_pie(clswise_count)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

자세한 내용은 가이드의 파이 차트 섹션을 참조하세요.

Ultralytics YOLOv8 을 사용하여 개체를 추적하고 비주얼리제이션을 동적으로 업데이트할 수 있나요?

예, Ultralytics YOLOv8 을 사용하여 개체를 추적하고 시각화를 동적으로 업데이트할 수 있습니다. 여러 개체를 실시간으로 추적할 수 있으며 추적된 개체의 데이터를 기반으로 선 그래프, 막대형 차트, 원형 차트 등 다양한 시각화를 업데이트할 수 있습니다.

라인 그래프 추적 및 업데이트 예시:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")
cap = cv2.VideoCapture("Path/to/video/file.mp4")
out = cv2.VideoWriter("line_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(type="line", writer=out, im0_shape=(w, h), view_img=True)

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True)
        total_counts = sum([1 for box in results[0].boxes.xyxy])
        analytics.update_line(frame_count, total_counts)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

전체 기능에 대해 자세히 알아보려면 추적 섹션을 참조하세요.

Ultralytics YOLOv8 다른 객체 감지 솔루션(예: OpenCV 및 TensorFlow)과 다른 점은 무엇인가요?

Ultralytics YOLOv8 는 여러 가지 이유로 OpenCV나 TensorFlow 같은 다른 객체 감지 솔루션과 차별화됩니다:

최첨단 정확도: YOLOv8 는 물체 감지, 세분화 및 분류 작업에서 뛰어난 정확도를 제공합니다.
사용 편의성: 사용자 친화적인 API를 통해 광범위한 코딩 없이도 빠르게 구현하고 통합할 수 있습니다.
실시간 성능: 실시간 애플리케이션에 적합한 고속 추론에 최적화되어 있습니다.
다양한 애플리케이션: 다중 객체 추적, 사용자 지정 모델 훈련, ONNX, TensorRT, CoreML 과 같은 다양한 형식으로 내보내기 등 다양한 작업을 지원합니다.
종합적인 문서: 모든 단계를 안내하는 방대한 문서와 블로그 리소스.

자세한 비교 및 사용 사례는 Ultralytics 블로그에서 확인할 수 있습니다.

생성 2024-05-23, 업데이트 2024-07-05
작성자: glenn-jocher (4), IvorZhu331 (1), RizwanMunawar (3)