고급 데이터 시각화: Ultralytics YOLOv8 🚀을 사용한 히트 맵

Q: Can I use Ultralytics YOLOv8 to perform object tracking and generate a heatmap simultaneously?

예, Ultralytics YOLOv8 객체 추적과 히트맵 생성을 동시에 지원합니다. 이는 객체 추적 모델과 통합된 히트맵 솔루션을 통해 달성할 수 있습니다. 이렇게 하려면 히트맵 객체를 초기화하고 YOLOv8 의 추적 기능을 사용해야 합니다. 다음은 간단한 예시입니다: 자세한 안내는 추적 모드 페이지를 참조하세요.

Q: How can I visualize only specific object classes in heatmaps using Ultralytics YOLOv8?

YOLO 모델의 track() 메서드에서 원하는 클래스를 지정하여 특정 객체 클래스를 시각화할 수 있습니다. 예를 들어 자동차와 사람만 시각화하려는 경우(클래스 인덱스가 0과 2라고 가정), 그에 따라 class 매개변수를 설정하면 됩니다.

히트맵 소개

로 생성된 히트맵은 Ultralytics YOLOv8 로 생성된 히트맵은 복잡한 데이터를 생생한 색상으로 구분된 매트릭스로 변환합니다. 이 시각적 도구는 다양한 색상 스펙트럼을 사용하여 다양한 데이터 값을 나타내며, 따뜻한 색조는 더 높은 강도를, 차가운 색조는 더 낮은 값을 나타냅니다. 히트맵은 복잡한 데이터 패턴, 상관관계, 이상 징후를 시각화하는 데 탁월하며, 다양한 영역에서 데이터를 해석하는 데 접근하기 쉽고 매력적인 접근 방식을 제공합니다.

Watch: 히트맵을 사용한 Ultralytics YOLOv8

데이터 분석에 히트맵을 선택하는 이유는 무엇인가요?

직관적인 데이터 분포 시각화: 히트맵은 복잡한 데이터 집합을 이해하기 쉬운 시각적 형식으로 변환하여 데이터 집중도와 분포에 대한 이해를 간소화합니다.
효율적인 패턴 탐지: 데이터를 히트맵 형식으로 시각화하면 추세, 군집, 이상값을 더 쉽게 발견할 수 있어 분석과 인사이트를 더 빠르게 얻을 수 있습니다.
향상된 공간 분석 및 의사 결정: 히트맵은 공간 관계를 설명하는 데 유용하며 비즈니스 인텔리전스, 환경 연구, 도시 계획과 같은 분야의 의사 결정 프로세스에 도움을 줍니다.

실제 애플리케이션

교통편	리테일

Ultralytics YOLOv8 운송 히트맵	Ultralytics YOLOv8 리테일 히트맵

히트맵 구성

heatmap_alpha: 이 값이 범위(0.0 - 1.0) 내에 있는지 확인합니다.
decay_factor: 객체가 더 이상 프레임에 없는 후 히트맵을 제거하는 데 사용되며, 값도 (0.0 - 1.0) 범위여야 합니다.

Ultralytics YOLOv8 예제를 사용한 히트맵

히트맵라인 카운팅다각형 계산지역 카운팅Im0특정 클래스

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.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))

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

# Init heatmap
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    names=model.names,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.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))

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

line_points = [(20, 400), (1080, 404)]  # line for object counting

# Init heatmap
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    count_reg_pts=line_points,
    names=model.names,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    tracks = model.track(im0, persist=True, show=False)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.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))

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

# Define polygon points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360), (20, 400)]

# Init heatmap
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    count_reg_pts=region_points,
    names=model.names,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    tracks = model.track(im0, persist=True, show=False)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.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))

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

# Define region points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]

# Init heatmap
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    count_reg_pts=region_points,
    names=model.names,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    tracks = model.track(im0, persist=True, show=False)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")  # YOLOv8 custom/pretrained model

im0 = cv2.imread("path/to/image.png")  # path to image file
h, w = im0.shape[:2]  # image height and width

# Heatmap Init
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    names=model.names,
)

results = model.track(im0, persist=True)
im0 = heatmap_obj.generate_heatmap(im0, tracks=results)
cv2.imwrite("ultralytics_output.png", im0)

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.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))

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

classes_for_heatmap = [0, 2]  # classes for heatmap

# Init heatmap
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    names=model.names,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False, classes=classes_for_heatmap)

    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

인수 `Heatmap()`

이름	유형	기본값	설명
`names`	`list`	`None`	클래스 이름 사전.
`imw`	`int`	`0`	이미지 너비.
`imh`	`int`	`0`	이미지 높이.
`colormap`	`int`	`cv2.COLORMAP_JET`	히트맵에 사용할 컬러맵입니다.
`heatmap_alpha`	`float`	`0.5`	히트맵 오버레이의 알파 블렌딩 값입니다.
`view_img`	`bool`	`False`	이미지를 히트맵 오버레이와 함께 표시할지 여부입니다.
`view_in_counts`	`bool`	`True`	영역에 들어오는 객체 수를 표시할지 여부입니다.
`view_out_counts`	`bool`	`True`	영역을 벗어나는 객체 수를 표시할지 여부입니다.
`count_reg_pts`	`list` 또는 `None`	`None`	카운트 영역을 정의하는 포인트(선 또는 다각형)입니다.
`count_txt_color`	`tuple`	`(0, 0, 0)`	개수를 표시하는 텍스트 색상입니다.
`count_bg_color`	`tuple`	`(255, 255, 255)`	개수를 표시하기 위한 배경색입니다.
`count_reg_color`	`tuple`	`(255, 0, 255)`	계산 영역의 색상입니다.
`region_thickness`	`int`	`5`	영역 선의 두께입니다.
`line_dist_thresh`	`int`	`15`	라인 기반 카운팅을 위한 거리 임계값입니다.
`line_thickness`	`int`	`2`	그리기에 사용된 선의 두께입니다.
`decay_factor`	`float`	`0.99`	시간이 지남에 따라 강도를 감소시키는 히트맵의 감쇠 계수입니다.
`shape`	`str`	`"circle"`	히트맵 블롭의 모양('원' 또는 '직사각형').

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]).

히트맵 컬러맵

컬러맵 이름	설명
`cv::COLORMAP_AUTUMN`	가을 색 지도
`cv::COLORMAP_BONE`	뼈대 색상 맵
`cv::COLORMAP_JET`	제트 컬러 맵
`cv::COLORMAP_WINTER`	겨울 색상 지도
`cv::COLORMAP_RAINBOW`	레인보우 컬러 맵
`cv::COLORMAP_OCEAN`	바다 색상 지도
`cv::COLORMAP_SUMMER`	여름 색상 지도
`cv::COLORMAP_SPRING`	봄 색상 지도
`cv::COLORMAP_COOL`	멋진 컬러 맵
`cv::COLORMAP_HSV`	HSV(색조, 채도, 값) 색상 맵
`cv::COLORMAP_PINK`	핑크 컬러 맵
`cv::COLORMAP_HOT`	핫 컬러 맵
`cv::COLORMAP_PARULA`	파룰라 컬러 맵
`cv::COLORMAP_MAGMA`	마그마 컬러 맵
`cv::COLORMAP_INFERNO`	인페르노 컬러 맵
`cv::COLORMAP_PLASMA`	플라즈마 색상 맵
`cv::COLORMAP_VIRIDIS`	비리디스 컬러 맵
`cv::COLORMAP_CIVIDIS`	시비디스 컬러 맵
`cv::COLORMAP_TWILIGHT`	황혼 컬러 맵
`cv::COLORMAP_TWILIGHT_SHIFTED`	시프트된 황혼 컬러 맵
`cv::COLORMAP_TURBO`	터보 컬러 맵
`cv::COLORMAP_DEEPGREEN`	딥 그린 컬러 맵

이러한 컬러맵은 일반적으로 다양한 색상 표현으로 데이터를 시각화하는 데 사용됩니다.

자주 묻는 질문

Ultralytics YOLOv8 히트맵은 어떻게 생성되며 어떤 이점이 있나요?

Ultralytics YOLOv8 는 복잡한 데이터를 색상으로 구분된 행렬로 변환하여 히트맵을 생성하며, 다양한 색상이 데이터 강도를 나타냅니다. 히트맵을 사용하면 데이터의 패턴, 상관관계, 이상 징후를 더 쉽게 시각화할 수 있습니다. 따뜻한 색조는 더 높은 값을 나타내고 차가운 색조는 더 낮은 값을 나타냅니다. 주요 이점으로는 데이터 분포의 직관적인 시각화, 효율적인 패턴 감지, 의사 결정을 위한 향상된 공간 분석 등이 있습니다. 자세한 내용과 구성 옵션은 히트맵 구성 섹션을 참조하세요.

Ultralytics YOLOv8 을 사용하여 오브젝트 추적과 히트맵 생성을 동시에 수행할 수 있나요?

예, Ultralytics YOLOv8 객체 추적과 히트맵 생성을 동시에 지원합니다. 이는 Heatmap 솔루션을 객체 추적 모델과 통합할 수 있습니다. 이렇게 하려면 히트맵 객체를 초기화하고 YOLOv8 의 추적 기능을 사용해야 합니다. 다음은 간단한 예시입니다:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap_obj = solutions.Heatmap(colormap=cv2.COLORMAP_PARULA, view_img=True, shape="circle", names=model.names)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

자세한 안내는 추적 모드 페이지를 참조하세요.

Ultralytics YOLOv8 히트맵이 OpenCV나 Matplotlib 같은 다른 데이터 시각화 도구와 다른 점은 무엇인가요?

Ultralytics YOLOv8 히트맵은 객체 감지 및 추적 모델과의 통합을 위해 특별히 설계되어 실시간 데이터 분석을 위한 엔드투엔드 솔루션을 제공합니다. OpenCV나 Matplotlib 같은 일반적인 시각화 도구와 달리 YOLOv8 히트맵은 성능과 자동 처리에 최적화되어 있어 지속적인 추적, 감쇠 계수 조정, 실시간 비디오 오버레이와 같은 기능을 지원합니다. YOLOv8 의 고유한 기능에 대한 자세한 내용은 Ultralytics YOLOv8 소개를 참조하세요.

Ultralytics YOLOv8 을 사용하여 히트 맵에서 특정 객체 클래스만 시각화하려면 어떻게 해야 하나요?

에서 원하는 클래스를 지정하여 특정 오브젝트 클래스를 시각화할 수 있습니다. track() YOLO 메서드를 사용할 수 있습니다. 예를 들어 자동차와 사람만 시각화하려는 경우(클래스 인덱스가 0과 2라고 가정할 경우) classes 매개 변수를 적절히 사용합니다.

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap_obj = solutions.Heatmap(colormap=cv2.COLORMAP_PARULA, view_img=True, shape="circle", names=model.names)

classes_for_heatmap = [0, 2]  # Classes to visualize
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    tracks = model.track(im0, persist=True, show=False, classes=classes_for_heatmap)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

기업이 데이터 분석에서 히트맵 생성을 위해 Ultralytics YOLOv8 을 선택해야 하는 이유는 무엇인가요?

Ultralytics YOLOv8 는 고급 개체 감지 기능과 실시간 히트맵 생성 기능을 원활하게 통합하여 데이터를 보다 효과적으로 시각화하고자 하는 기업에게 이상적인 선택입니다. 주요 장점으로는 직관적인 데이터 분포 시각화, 효율적인 패턴 감지, 더 나은 의사결정을 위한 향상된 공간 분석 등이 있습니다. 또한, 영구 추적, 사용자 정의 가능한 컬러맵, 다양한 내보내기 형식 지원과 같은 YOLOv8 의 최첨단 기능은 포괄적인 데이터 분석을 위한 TensorFlow 및 OpenCV와 같은 다른 도구보다 우수합니다. 비즈니스 애플리케이션에 대한 자세한 내용은 Ultralytics 요금제에서 확인하세요.

2023-12-07 생성, 2024-07-14 업데이트
작성자: RizwanMunawar (8), glenn-jocher (13), IvorZhu331 (1), AyushExel (1), 1579093407@qq.com (1)