Visualização de Dados Avançada: Mapas de calor usando Ultralytics YOLO26 🚀
Introdução aos Mapas de Calor
Um mapa de calor gerado com Ultralytics YOLO26 transforma dados complexos em uma matriz vibrante codificada por cores. Esta ferramenta visual emprega um espectro de cores para representar diferentes valores de dados, onde tons mais quentes indicam intensidades mais altas e tons mais frios significam valores mais baixos. Os mapas de calor são excelentes para visualizar padrões, correlações e anomalias complexas de dados, oferecendo uma abordagem acessível e envolvente para a interpretação de dados em diversos domínios.
Watch: Heatmaps using Ultralytics YOLO26
Por que escolher Mapas de Calor para Análise de Dados?
- Visualização Intuitiva da Distribuição de Dados: Os mapas de calor simplificam a compreensão da concentração e distribuição dos dados, convertendo conjuntos de dados complexos em formatos visuais fáceis de entender.
- Detecção Eficiente de Padrões: Ao visualizar dados em formato de mapa de calor, torna-se mais fácil identificar tendências, clusters e valores discrepantes, facilitando análises e insights mais rápidos.
- Análise Espacial e Tomada de Decisão Aprimoradas: Os mapas de calor são fundamentais para ilustrar relações espaciais, auxiliando nos processos de tomada de decisão em setores como inteligência de negócios, estudos ambientais e planejamento urbano.
Aplicações no Mundo Real
| Transporte | Varejo |
|---|---|
 |  |
| Mapa de Calor de Transporte do Ultralytics YOLO26 | Mapa de Calor de Varejo do Ultralytics YOLO26 |
# Run a heatmap example
yolo solutions heatmap show=True
# Pass a source video
yolo solutions heatmap source="path/to/video.mp4"
# Pass a custom colormap
yolo solutions heatmap colormap=cv2.COLORMAP_INFERNO
# Heatmaps + object counting
yolo solutions heatmap region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]"Argumentos de Heatmap()
Aqui está uma tabela com os argumentos de Heatmap:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
model | str | None | Caminho para um arquivo de modelo Ultralytics YOLO. |
colormap | int | cv2.COLORMAP_DEEPGREEN | Mapa de cores a ser usado para o mapa de calor. |
show_in | bool | True | Sinalizador para controlar se as contagens de entrada devem ser exibidas no fluxo de vídeo. |
show_out | bool | True | Sinalizador para controlar se as contagens de saída devem ser exibidas no fluxo de vídeo. |
region | list | '[(20, 400), (1260, 400)]' | Lista de pontos definindo a região de contagem. |
Você também pode aplicar diferentes argumentos de track na solução Heatmap.
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Especifica o algoritmo de rastreamento a ser usado, por exemplo, bytetrack.yaml ou botsort.yaml. |
conf | float | 0.1 | Define o limite de confiança para as detecções; valores mais baixos permitem que mais objetos sejam rastreados, mas podem incluir falsos positivos. |
iou | float | 0.7 | Define o limite de Intersection over Union (IoU) para filtrar detecções sobrepostas. |
classes | list | None | Filtra resultados pelo índice da classe. Por exemplo, classes=[0, 2, 3] rastreia apenas as classes especificadas. |
verbose | bool | True | Controla a exibição dos resultados de rastreamento, fornecendo uma saída visual dos objetos rastreados. |
device | str | None | Especifica o dispositivo para inferência (por exemplo, cpu, cuda:0 ou 0). Permite que os usuários selecionem entre CPU, uma GPU específica ou outros dispositivos de computação para a execução do modelo. |
Além disso, os argumentos de visualização suportados estão listados abaixo:
| Argumento | Tipo | Predefinição | Descrição |
|---|---|---|---|
show | bool | False | Se True, exibe as imagens ou vídeos anotados numa janela. Útil para feedback visual imediato durante o desenvolvimento ou teste. |
line_width | int or None | None | Especifica a largura da linha das caixas delimitadoras. Se None, a largura da linha é ajustada automaticamente com base no tamanho da imagem. Oferece personalização visual para clareza. |
show_conf | bool | True | Exibe a pontuação de confiança para cada deteção ao lado do rótulo. Dá uma noção da certeza do modelo para cada deteção. |
show_labels | bool | True | Exibe rótulos para cada deteção na saída visual. Proporciona uma compreensão imediata dos objetos detetados. |
COLORMAPs de Mapa de Calor
| Nome do Mapa de Cores | Descrição |
|---|---|
cv::COLORMAP_AUTUMN | Mapa de cores de outono |
cv::COLORMAP_BONE | Mapa de cores de osso |
cv::COLORMAP_JET | Mapa de cores Jet |
cv::COLORMAP_WINTER | Mapa de cores de inverno |
cv::COLORMAP_RAINBOW | Mapa de cores arco-íris |
cv::COLORMAP_OCEAN | Mapa de cores oceano |
cv::COLORMAP_SUMMER | Mapa de cores de verão |
cv::COLORMAP_SPRING | Mapa de cores de primavera |
cv::COLORMAP_COOL | Mapa de cores frio |
cv::COLORMAP_HSV | Mapa de cores HSV (Matiz, Saturação, Valor) |
cv::COLORMAP_PINK | Mapa de cores rosa |
cv::COLORMAP_HOT | Mapa de cores quente |
cv::COLORMAP_PARULA | Mapa de cores Parula |
cv::COLORMAP_MAGMA | Mapa de cores Magma |
cv::COLORMAP_INFERNO | Mapa de cores Inferno |
cv::COLORMAP_PLASMA | Mapa de cores Plasma |
cv::COLORMAP_VIRIDIS | Mapa de cores Viridis |
cv::COLORMAP_CIVIDIS | Mapa de cores Cividis |
cv::COLORMAP_TWILIGHT | Mapa de cores crepúsculo |
cv::COLORMAP_TWILIGHT_SHIFTED | Mapa de cores crepúsculo deslocado |
cv::COLORMAP_TURBO | Mapa de cores Turbo |
cv::COLORMAP_DEEPGREEN | Mapa de cores verde profundo |
Esses mapas de cores são comumente usados para visualizar dados com diferentes representações de cores.
Como os Mapas de Calor funcionam no Ultralytics YOLO26
A solução de mapa de calor no Ultralytics YOLO26 estende a classe ObjectCounter para gerar e visualizar padrões de movimento em fluxos de vídeo. Quando inicializada, a solução cria uma camada de mapa de calor em branco que é atualizada à medida que os objetos se movem pelo quadro.
Para cada objeto detectado, a solução:
- Rastreia o objeto nos quadros usando os recursos de rastreamento do YOLO26
- Atualiza a intensidade do mapa de calor na localização do objeto
- Aplica um mapa de cores selecionado para visualizar os valores de intensidade
- Sobrepõe o mapa de calor colorido no quadro original
O resultado é uma visualização dinâmica que se acumula ao longo do tempo, revelando padrões de tráfego, movimentos de multidões ou outros comportamentos espaciais nos seus dados de vídeo.
FAQ
Como o Ultralytics YOLO26 gera mapas de calor e quais são seus benefícios?
O Ultralytics YOLO26 gera mapas de calor transformando dados complexos em uma matriz codificada por cores onde diferentes tons representam intensidades de dados. Mapas de calor facilitam a visualização de padrões, correlações e anomalias nos dados. Tons mais quentes indicam valores mais altos, enquanto tons mais frios representam valores mais baixos. Os principais benefícios incluem visualização intuitiva da distribuição de dados, detecção eficiente de padrões e análise espacial aprimorada para tomada de decisão. Para mais detalhes e opções de configuração, consulte a seção Configuração de Mapa de Calor.
Posso usar o Ultralytics YOLO26 para realizar rastreamento de objetos e gerar um mapa de calor simultaneamente?
Sim, o Ultralytics YOLO26 suporta rastreamento de objetos e geração de mapas de calor simultaneamente. Isso pode ser alcançado através da sua solução Heatmap integrada com modelos de rastreamento de objetos. Para fazer isso, você precisa inicializar o objeto de mapa de calor e usar os recursos de rastreamento do YOLO26. Aqui está um exemplo simples:
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
heatmap = solutions.Heatmap(colormap=cv2.COLORMAP_PARULA, show=True, model="yolo26n.pt")
while cap.isOpened():
success, im0 = cap.read()
if not success:
break
results = heatmap(im0)
cap.release()
cv2.destroyAllWindows()Para obter mais orientações, verifique a página Modo de Rastreamento.
O que torna os mapas de calor do Ultralytics YOLO26 diferentes de outras ferramentas de visualização de dados como as do OpenCV ou Matplotlib?
Os mapas de calor do Ultralytics YOLO26 são projetados especificamente para integração com seus modelos de detecção de objetos e rastreamento, fornecendo uma solução ponta a ponta para análise de dados em tempo real. Diferente de ferramentas de visualização genéricas como OpenCV ou Matplotlib, os mapas de calor do YOLO26 são otimizados para desempenho e processamento automatizado, suportando recursos como rastreamento persistente, ajuste de fator de decaimento e sobreposição de vídeo em tempo real. Para mais informações sobre os recursos exclusivos do YOLO26, visite a Introdução ao Ultralytics YOLO26.
Como posso visualizar apenas classes de objetos específicas em mapas de calor usando o Ultralytics YOLO26?
Você pode visualizar classes de objetos específicas especificando as classes desejadas no método track() do modelo YOLO. Por exemplo, se você quiser apenas visualizar carros e pessoas (assumindo que seus índices de classe sejam 0 e 2), você pode definir o parâmetro classes adequadamente.
import cv2
from ultralytics import solutions
cap = cv2.VideoCapture("path/to/video.mp4")
heatmap = solutions.Heatmap(show=True, model="yolo26n.pt", classes=[0, 2])
while cap.isOpened():
success, im0 = cap.read()
if not success:
break
results = heatmap(im0)
cap.release()
cv2.destroyAllWindows()Por que as empresas devem escolher o Ultralytics YOLO26 para geração de mapas de calor na análise de dados?
O Ultralytics YOLO26 oferece integração perfeita de detecção de objetos avançada e geração de mapas de calor em tempo real, tornando-o uma escolha ideal para empresas que buscam visualizar dados de forma mais eficaz. As principais vantagens incluem visualização intuitiva da distribuição de dados, detecção eficiente de padrões e análise espacial aprimorada para uma melhor tomada de decisão. Além disso, os recursos de ponta do YOLO26, como rastreamento persistente, mapas de cores personalizáveis e suporte para vários formatos de exportação, o tornam superior a outras ferramentas como TensorFlow e OpenCV para uma análise de dados abrangente. Saiba mais sobre aplicações de negócios em Planos Ultralytics.