Análise usando Ultralytics YOLO26

Introdução

Este guia fornece uma visão geral 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.

Exemplos Visuais

Gráfico de Linhas	Gráfico de Barras	Gráfico de Pizza

Por que os gráficos são importantes

• Gráficos de linhas são ideais para rastrear mudanças durante períodos curtos e longos e para comparar mudanças de vários grupos durante o mesmo período.
• 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, 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

Argumentos de Analytics

Aqui está uma tabela detalhando os argumentos de Analytics:

Você também pode aproveitar diferentes argumentos de track na solução Analytics.

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 Análise do Ultralytics YOLO26 oferece uma maneira simplificada de gerar essas visualizações a partir dos seus resultados de detecção de objetos e rastreamento, tornando mais fácil extrair insights significativos dos seus dados visuais.

FAQ

Como crio um gráfico de linhas usando a Análise do Ultralytics YOLO26?

Para criar um gráfico de linhas usando a Análise do Ultralytics YOLO26, siga estes passos:

1. Carregue um modelo YOLO26 e abra seu arquivo de vídeo.
2. Inicialize a classe Analytics com o tipo definido como "line."
3. Itere pelos quadros do vídeo, atualizando o gráfico de linhas com dados relevantes, como contagens 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 como configurar a classe Analytics, visite a seção 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 os resultados de detecção de objetos em gráficos de barras para atualizações dinâmicas.
2. Facilidade de Uso: API e funções simples tornam direto implementar e visualizar dados.
3. Personalização: Personalize títulos, rótulos, cores e muito mais para atender aos seus requisitos específicos.
4. Eficiência: Lide eficientemente com grandes quantidades de dados e atualize gráficos em tempo real durante o processamento de vídeo.

Use o seguinte exemplo 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 aprender mais, visite a seção Gráfico de Barras 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 da detecção de objetos em gráficos de pizza para obter insights imediatos.
2. API Amigável: Simples de configurar e usar com o mínimo de código.
3. Personalizável: Várias opções de personalização para cores, rótulos e muito mais.
4. Atualizações em Tempo Real: Lide e visualize dados em tempo real, o que é ideal para projetos de análise 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 a seção Gráfico de Pizza no guia.

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

Sim, o Ultralytics YOLO26 pode ser usado para rastrear objetos e atualizar visualizações dinamicamente. 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 a seção 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. 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 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: Extensa documentação e recursos de blog para guiar os usuários em cada passo.

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