Análise com Ultralytics YOLO26#
A análise com Ultralytics YOLO26 transforma os resultados de deteção de objetos e rastreamento em gráficos em tempo real, para que possas acompanhar como as contagens de objetos mudam num vídeo, frame a frame. Este guia aborda quatro tipos de visualização de dados — gráficos de linhas, gráficos de barras, gráficos circulares e gráficos de área — e mostra como alternar entre eles com exemplos partilhados em Python e CLI.
Watch: How to generate Analytical Graphs using Ultralytics | Line Graphs, Bar Plots, Area and Pie Charts
Exemplos visuais#
| Gráfico de linhas | Gráfico de barras | Gráfico circular |
|---|---|---|
 |  |  |
Porquê visualizar dados de deteção?#
- Os gráficos de linhas são ideais para acompanhar alterações ao longo de períodos curtos e longos e para comparar alterações de vários grupos durante o mesmo período.
- Os gráficos de barras são adequados para comparar quantidades entre diferentes categorias e mostrar relações entre uma categoria e o seu valor numérico.
- Os gráficos circulares são eficazes para ilustrar proporções entre categorias e mostrar partes de um todo.
- Os gráficos de área preenchem o gráfico de linhas, facilitando a leitura imediata das contagens de objetos por classe ao longo do tempo.
Gerar gráficos de análise#
Passa o teu vídeo para a solução Analytics e seleciona um gráfico com analytics_type. A solução executa a deteção e o rastreamento em cada frame e apresenta um gráfico de 1280×720 (por predefinição) que podes gravar diretamente num vídeo de saída. Alterna entre "line", "bar", "pie" e "area" com um único argumento.
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=TrueArgumentos de Analytics#
Segue uma tabela que apresenta os argumentos de análise:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
model | str | None | Caminho para um ficheiro de modelo YOLO da Ultralytics. |
analytics_type | str | 'line' | Tipo de gráfico, isto é, line, bar, area ou pie. |
line_width | int | 2 | Espessura das linhas das caixas, dos pontos-chave e das contagens desenhados pela solução. |
verbose | bool | True | Ativa o registo por fotograma da solução, incluindo a forma da entrada, as contagens por classe e a velocidade de processamento. A chamada de rastreamento permanece sempre silenciosa. |
Também podes utilizar diferentes argumentos de track na solução Analytics.
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Especifica o algoritmo de rastreamento a utilizar. Opções integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Define o limiar de confiança para as deteções; valores mais baixos permitem rastrear mais objetos, mas podem incluir falsos positivos. |
iou | float | 0.7 | Define o limiar de Interseção sobre a União (IoU) para filtrar deteções sobrepostas. |
classes | list | None | Filtra os resultados pelo índice da classe. Por exemplo, classes=[0, 2, 3] rastreia apenas as classes especificadas. |
device | str | None | Especifica o dispositivo para a inferência (por exemplo, cpu, cuda:0 ou 0). Permite selecionar entre CPU, uma GPU específica ou outros dispositivos de computação para executar o modelo. |
imgsz | int or tuple | 640 | Tamanho da imagem de inferência alvo: um inteiro para um quadrado ou um par (height, width). As formas são ajustadas para o passo do modelo. |
max_det | int | 300 | Número máximo de detecções mantidas por quadro antes do rastreamento, limitando os objetos que uma solução processa em cenas densas. |
quantize | int or str | None | Precisão de inferência: 16 (FP16) ou 32/não definido (FP32) para modelos PyTorch e TorchScript; outros formatos computam na precisão que o artefato e o tempo de execução selecionam. Substitui a flag obsoleta half. |
Além disso, são suportados os seguintes argumentos de visualização:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
show | bool | False | Se True, apresenta as imagens ou vídeos anotados numa janela. É útil para obter feedback visual imediato durante o desenvolvimento ou os testes. |
Conclusão#
Compreender quando e como utilizar diferentes tipos de visualização é essencial para uma análise de dados eficaz. Os gráficos de linhas, os gráficos de barras e os gráficos circulares são ferramentas fundamentais que podem ajudar-te a transmitir a história dos teus dados de forma mais clara e eficaz. A solução Analytics do Ultralytics YOLO26 proporciona uma forma simplificada de gerar estas visualizações a partir dos teus resultados de deteção de objetos e rastreamento, facilitando a extração de informações relevantes dos teus dados visuais.
Perguntas frequentes#
Para criar um gráfico de linhas com o Analytics do Ultralytics YOLO26, segue estes passos:
- Carrega um modelo YOLO26 e abre o teu ficheiro de vídeo.
- Inicializa a classe
Analyticscomanalytics_type="line". - Percorre os frames do vídeo, chamando a solução em cada frame para atualizar o gráfico de linhas com dados como as contagens de objetos.
- Escreve
results.plot_imnum vídeo de saída para guardar o gráfico.
Utiliza o exemplo de Python acima como ponto de partida — este já executa o ciclo completo de frames, e um gráfico de linhas é o
analytics_typepredefinido.A utilização do Ultralytics YOLO26 para criar gráficos de barras oferece várias vantagens:
- Visualização de dados em tempo real: Integra facilmente os resultados de deteção de objetos em gráficos de barras para obter atualizações dinâmicas.
- Facilidade de utilização: A API e as funções simples tornam a implementação e a visualização de dados diretas.
- Personalização: Personaliza títulos, rótulos, cores e muito mais para responder aos teus requisitos específicos.
- Eficiência: Processa eficazmente grandes quantidades de dados 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 ciclo de frames é idêntico. Consulta a secção Exemplos visuais para veres uma pré-visualização.O Ultralytics YOLO26 é uma excelente opção para criar gráficos circulares porque:
- Integração com deteção de objetos: Integra diretamente os resultados da deteção de objetos em gráficos circulares para obter informações imediatas.
- API intuitiva: É simples de configurar e utilizar, exigindo um mínimo de código.
- Personalizável: Oferece várias opções de personalização para cores, rótulos e muito mais.
- Atualizações em tempo real: Processa e visualiza dados em tempo real, sendo ideal para projetos de análise de vídeo.
Para gerar um gráfico circular, define
analytics_type="pie"no exemplo de Python acima. Para obter mais informações, consulta a secção Exemplos visuais do guia.Sim. O rastreamento está integrado na solução
Analytics: esta rastreia vários objetos em tempo real e atualiza o gráfico com base nos dados dos objetos rastreados em cada frame, pelo que os gráficos de linhas, de barras, circulares e de área refletem as contagens atuais. É exatamente isso que o ciclo de frames do exemplo de Python acima faz. Para saber mais sobre a funcionalidade de rastreamento subjacente, consulta a secção Rastreamento.O Ultralytics YOLO26 distingue-se de outras soluções de deteção de objetos, como o OpenCV e o TensorFlow, por vários motivos:
- Precisão de última geração: O YOLO26 oferece uma precisão superior em tarefas de deteção de objetos, segmentação de instâncias, segmentação semântica e classificação.
- Facilidade de utilização: A API intuitiva permite uma implementação e integração rápidas sem necessidade de programação extensa.
- Desempenho em tempo real: Otimizado para inferência de alta velocidade, sendo adequado para aplicações em tempo real.
- Aplicações diversificadas: Suporta rastreamento de vários objetos, treino de modelos personalizados e exportação para diferentes formatos, como ONNX, TensorRT e CoreML.
- Documentação abrangente: Disponibiliza documentação extensa e recursos no blogue para orientar os utilizadores em cada etapa.
Para obter comparações e casos de utilização mais detalhados, explora o nosso Blogue da Ultralytics.