Análise usando Ultralytics YOLO26

Introdução

Este guia fornece uma visão abrangente de três tipos fundamentais de visualizações de dados: gráficos de linhas, gráficos de barras e gráficos de pizza. Cada seção inclui instruções passo a passo e trechos de código sobre como criar essas visualizações usando Python.

Amostras Visuais

Gráfico de Linhas	Gráfico de Barras	Gráfico de Pizza

Por que os gráficos são importantes

• Os gráficos de linhas são ideais para rastrear mudanças em períodos curtos e longos e para comparar mudanças em múltiplos grupos durante o mesmo período.
• Os gráficos de barras, por outro lado, são adequados para comparar quantidades entre diferentes categorias e mostrar relações entre uma categoria e seu valor numérico.
• Por fim, os gráficos de pizza são eficazes para ilustrar proporções entre categorias e mostrar partes de um todo.

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

Analytics Argumentos

Aqui está uma tabela descrevendo os argumentos de Analytics:

Você também pode aproveitar diferentes track argumentos na Analytics solução.

Além disso, os seguintes argumentos de visualização são suportados:

Conclusão

Entender quando e como usar diferentes tipos de visualizações é crucial para uma análise de dados eficaz. Gráficos de linhas, gráficos de barras e gráficos de pizza são ferramentas fundamentais que podem te ajudar a transmitir a história dos seus dados de forma mais clara e eficaz. A solução de Analytics do Ultralytics YOLO26 fornece uma maneira simplificada de gerar essas visualizações a partir dos seus object detection e resultados de rastreamento, facilitando a extração de insights significativos dos seus dados visuais.

FAQ

Como crio um gráfico de linhas usando o Analytics do Ultralytics YOLO26?

Para criar um gráfico de linhas usando o Analytics do Ultralytics YOLO26, siga estes passos:

1. Carregue um modelo YOLO26 e abra seu arquivo de vídeo.
2. Inicialize a Analytics classe com o tipo definido como "line."
3. Itere pelos quadros do vídeo, atualizando o gráfico de linhas com dados relevantes, como contagem de objetos por quadro.
4. Salve o vídeo de saída exibindo o gráfico de linhas.

Exemplo:

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()

Para mais detalhes sobre a configuração da Analytics classe, visite o Análise usando Ultralytics YOLO26.

Quais são os benefícios de usar o Ultralytics YOLO26 para criar gráficos de barras?

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

1. Visualização de Dados em Tempo Real: Integre perfeitamente resultados de object detection em gráficos de barras para atualizações dinâmicas.
2. Facilidade de Uso: API e funções simples tornam a implementação e visualização de dados diretas.
3. Personalização: Personalize títulos, rótulos, cores e muito mais para atender aos seus requisitos específicos.
4. Eficiência: Gerencie eficientemente grandes quantidades de dados e atualize gráficos em tempo real durante o processamento de vídeo.

Use o exemplo a seguir para gerar um gráfico de barras:

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()

Para saber mais, visite a Gráfico de Barras seção no guia.

Por que devo usar o Ultralytics YOLO26 para criar gráficos de pizza nos meus projetos de visualização de dados?

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

1. Integração com Detecção de Objetos: Integre diretamente os resultados de detecção de objetos em gráficos de pizza para insights imediatos.
2. API Fácil de Usar: Simples de configurar e usar com o mínimo de código.
3. Personalizável: Várias opções de personalização para cores, rótulos e mais.
4. Atualizações em Tempo Real: Gerencie e visualize dados em tempo real, o que é ideal para projetos de analytics de vídeo.

Aqui está um exemplo rápido:

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()

Para mais informações, consulte o Gráfico de Pizza seção no guia.

O Ultralytics YOLO26 pode ser usado para rastrear objetos e atualizar dinamicamente visualizações?

Sim, o Ultralytics YOLO26 pode ser usado para rastrear objetos e atualizar dinamicamente visualizações. Ele suporta o rastreamento de múltiplos objetos em tempo real e pode atualizar várias visualizações como gráficos de linhas, gráficos de barras e gráficos de pizza com base nos dados dos objetos rastreados.

Exemplo para rastrear e atualizar um gráfico de linhas:

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()

Para aprender sobre a funcionalidade completa, veja o Rastreamento.

O que torna o Ultralytics YOLO26 diferente de outras soluções de detecção de objetos como OpenCV e TensorFlow?

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

1. Estado da arte em Precisão: O YOLO26 oferece precisão superior em tarefas de detecção, segmentação e classificação de objetos.
2. Facilidade de Uso: API amigável permite implementação e integração rápidas sem codificação extensiva.
3. Desempenho em Tempo Real: Otimizado para inferência de alta velocidade, adequado para aplicações em tempo real.
4. Aplicações Diversas: Suporta várias tarefas, incluindo rastreamento de múltiplos objetos, treinamento de modelos personalizados e exportação para diferentes formatos como ONNX, TensorRT e CoreML.
5. Documentação Abrangente: Extensos documentação e recursos de blog para guiar os usuários em cada etapa.

Para comparações mais detalhadas e casos de uso, explore nosso Blog da Ultralytics.