Ultralytics YOLO27:
Get Started

Análise com Ultralytics YOLO26#

A análise com Ultralytics YOLO26 transforma os resultados da detecção de objetos e do rastreamento em gráficos em tempo real, permitindo acompanhar como as contagens de objetos mudam a cada quadro do vídeo. Este guia aborda quatro tipos de visualização de dados — gráficos de linhas, gráficos de barras, gráficos de pizza e gráficos de área — e mostra como alternar entre eles com exemplos compartilhados de Python e CLI.



Assista: Como gerar gráficos analíticos usando Ultralytics | Gráficos de linhas, barras, áreas e setores

Exemplos visuais#

Gráfico de linhasGráfico de barrasGráfico de pizza
Gráfico de linhas de análise do YOLO para rastreamento de objetosGráfico de barras de análise do YOLO para contagens de detecçõesGráfico de pizza de análise do YOLO para distribuição por classe

Por que visualizar dados de detecção?#

  • Gráficos de linhas são ideais para acompanhar mudanças em períodos curtos e longos e para comparar as mudanças de vários grupos durante o mesmo período.
  • Gráficos de barras são adequados para comparar quantidades entre diferentes categorias e mostrar relações entre uma categoria e seu valor numérico.
  • Gráficos de pizza são eficazes para ilustrar proporções entre categorias e mostrar as partes de um todo.
  • Gráficos de área preenchem a área sob o gráfico de linhas, facilitando a leitura rápida das contagens de objetos por classe ao longo do tempo.

Gerar gráficos de análise#

Envia o teu vídeo para a solução Analytics e seleciona um gráfico com analytics_type. A solução executa a detecção e o rastreamento em cada quadro e renderiza um gráfico de 1280×720 (por padrão), que podes gravar diretamente em um vídeo de saída. Alterna entre "line", "bar", "pie" e "area" com um único argumento.

Análise com Ultralytics YOLO
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

Argumentos de Analytics#

Segue uma tabela com os argumentos de análise:

ArgumentoTipoPadrãoDescrição
modelstrNoneCaminho para um arquivo de modelo Ultralytics YOLO.
analytics_typestr'line'Tipo de gráfico, por exemplo, line, bar, area ou pie.
figsizetuple[float, float](12.8, 7.2)Tamanho da figura em polegadas para gráficos Analytics; (12.8, 7.2) renderiza um fotograma de 1280×720.
line_widthint2Espessura das linhas das caixas, dos pontos-chave e das contagens desenhados pela solução.
verboseboolTrueAtiva o registro por quadro da solução, com o formato da entrada, as contagens por classe e a velocidade de processamento. A chamada de rastreamento em si é sempre silenciosa.

Também podes usar diferentes argumentos de track na solução Analytics.

ArgumentoTipoPadrãoDescrição
trackerstr'tracktrack.yaml'Especifica o algoritmo de rastreamento a utilizar. Opções integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml.
conffloat0.25Define o limiar de confiança das deteções; valores mais baixos permitem rastrear mais objetos, mas podem incluir falsos positivos.
ioufloat0.7Define o limiar de interseção sobre união (IoU) para filtrar deteções sobrepostas.
classeslistNoneFiltra os resultados pelo índice da classe. Por exemplo, classes=[0, 2, 3] rastreia apenas as classes especificadas.
devicestrNoneEspecifica o dispositivo para a inferência (por exemplo, cpu, cuda:0 ou 0). Permite escolher entre CPU, uma GPU específica ou outros dispositivos de computação para executar o modelo.
imgszint or tuple640Tamanho da imagem de destino para a inferência: um número inteiro para uma imagem quadrada ou um par (height, width). As dimensões são ajustadas ao stride do modelo.
max_detint300Número máximo de deteções mantidas por fotograma antes do rastreamento, limitando os objetos que uma solução processa em cenas densas.
quantizeint or strNonePrecisão de inferência: 16 (FP16) ou 32/unset (FP32) para modelos PyTorch e TorchScript fora da CPU; os outros formatos usam a precisão selecionada pelo artefato e pelo ambiente de execução. Substitui o argumento obsoleto half.

Além disso, há suporte para os seguintes argumentos de visualização:

ArgumentoTipoPadrãoDescrição
showboolFalseSe True, exibe as imagens ou os vídeos anotados em uma janela. Útil para obter feedback visual imediato durante o desenvolvimento ou os testes.

Conclusão#

Compreender quando e como usar diferentes tipos de visualização é essencial para uma análise eficaz dos dados. Gráficos de linhas, gráficos de barras e gráficos de pizza são ferramentas fundamentais que podem ajudar a comunicar a história dos teus dados com mais clareza e eficácia. A solução Analytics do Ultralytics YOLO26 oferece uma forma simplificada de gerar essas visualizações a partir dos resultados de detecção de objetos e rastreamento, facilitando a extração de informações relevantes dos teus dados visuais.

Perguntas frequentes#

  • Para criar um gráfico de linhas usando o Ultralytics YOLO26 Analytics, segue estas etapas:

    1. Carrega um modelo YOLO26 e abre o teu arquivo de vídeo.
    2. Inicializa a classe Analytics com analytics_type="line".
    3. Percorre os quadros do vídeo, chamando a solução em cada quadro para atualizar o gráfico de linhas com dados como as contagens de objetos.
    4. Grava results.plot_im em um vídeo de saída para salvar o gráfico.

    Usa o exemplo de Python acima como ponto de partida — ele já executa o loop completo dos quadros, e o gráfico de linhas é o analytics_type padrão.

  • Usar o Ultralytics YOLO26 para criar gráficos de barras oferece vários benefícios:

    1. Visualização de dados em tempo real: integra perfeitamente os resultados da detecção de objetos aos gráficos de barras para atualizações dinâmicas.
    2. Facilidade de uso: a API e as funções simples facilitam a implementação e a visualização dos dados.
    3. Personalização: personaliza títulos, rótulos, cores e muito mais para atender às tuas necessidades específicas.
    4. Eficiência: processa grandes quantidades de dados com eficiência e atualiza os gráficos em tempo real durante o processamento de vídeo.

    Para gerar um gráfico de barras, define analytics_type="bar" no exemplo de Python acima — o restante do loop dos quadros é idêntico. Consulta a seção Exemplos visuais para ver uma prévia.

  • O Ultralytics YOLO26 é uma excelente opção para criar gráficos de pizza porque:

    1. Integração com a detecção de objetos: integra diretamente os resultados da detecção de objetos aos gráficos de pizza para obter informações imediatas.
    2. API fácil de usar: é simples de configurar e usar, exigindo pouco código.
    3. Personalizável: oferece várias opções de personalização de cores, rótulos e muito mais.
    4. Atualizações em tempo real: processa e visualiza dados em tempo real, o que é ideal para projetos de análise de vídeo.

    Para gerar um gráfico de pizza, define analytics_type="pie" no exemplo de Python acima. Para mais informações, consulta a seção Exemplos visuais do guia.

  • Sim. O rastreamento está integrado à solução Analytics: ela rastreia vários objetos em tempo real e atualiza o gráfico com os dados dos objetos rastreados a cada 30 quadros, fazendo com que os gráficos de linhas, barras, pizza e área reflitam as contagens ao vivo. É exatamente isso que o loop de quadros do exemplo de Python acima faz. Para saber mais sobre a funcionalidade de rastreamento subjacente, consulta a seção Rastreamento.

  • O Ultralytics YOLO26 se destaca de outras soluções de detecção de objetos, como OpenCV e TensorFlow, por vários motivos:

    1. Precisão de ponta: o YOLO26 oferece precisão superior em tarefas de detecção de objetos, segmentação de instâncias, segmentação semântica e classificação.
    2. Facilidade de uso: a API fácil de usar permite implementação e integração rápidas sem exigir muita programação.
    3. Desempenho em tempo real: otimizado para inferência de alta velocidade, adequado para aplicações em tempo real.
    4. Aplicações diversas: oferece suporte ao rastreamento de vários objetos, ao treinamento de modelos personalizados e à exportação para diferentes formatos, como ONNX, TensorRT e CoreML.
    5. Documentação abrangente: documentação extensa (documentation) e recursos do blog para orientar os usuários em cada etapa.

    Para comparações e casos de uso mais detalhados, explora o nosso Blog da Ultralytics.

Colaboradores
GLglenn-jocher12RIRizwanMunawar9RAraimbekovm6MAMatthewNoyce2LAlakshanthad1IVIvorZhu3311

Comentários