Saltar para o conteúdo

Visualização avançada de dados: Heatmaps usando Ultralytics YOLO11 🚀

Introdução aos mapas de calor

Um mapa de calor gerado com Ultralytics YOLO11 transforma dados complexos numa matriz vibrante e codificada por cores. Esta ferramenta visual utiliza um espetro de cores para representar valores de dados variáveis, em que os tons mais quentes indicam intensidades mais elevadas e os tons mais frios significam valores mais baixos. Os mapas de calor são excelentes na visualização de padrões de dados intrincados, correlações e anomalias, oferecendo uma abordagem acessível e envolvente à interpretação de dados em diversos domínios.



Ver: Mapas de calor utilizando Ultralytics YOLO11

Porquê 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 de dados, convertendo conjuntos de dados complexos em formatos visuais fáceis de entender.
  • Deteção eficiente de padrões: Ao visualizar os dados em formato de mapa de calor, torna-se mais fácil detetar tendências, clusters e outliers, facilitando uma análise mais rápida e insights.
  • Análise espacial e tomada de decisões melhoradas: Os mapas de calor são fundamentais para ilustrar as relações espaciais, ajudando nos processos de tomada de decisões em sectores como a inteligência empresarial, estudos ambientais e planeamento urbano.

Aplicações no mundo real

Transporte Retalho
Ultralytics YOLO11 Mapa de calor dos transportes Ultralytics YOLO11 Mapa de calor do comércio retalhista
Ultralytics YOLO11 Mapa de calor dos transportes Ultralytics YOLO11 Mapa de calor do comércio retalhista

Mapas de calor utilizando Ultralytics YOLO11 Exemplo

# Run a heatmap example
yolo solutions heatmap show=True

# Pass a source video
yolo solutions heatmap source="path/to/video/file.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)]
import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("Path/to/video/file.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))

# Video writer
video_writer = cv2.VideoWriter("heatmap_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# In case you want to apply object counting + heatmaps, you can pass region points.
# region_points = [(20, 400), (1080, 400)]  # Define line points
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]  # Define region points
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360), (20, 400)]  # Define polygon points

# Init heatmap
heatmap = solutions.Heatmap(
    show=True,  # Display the output
    model="yolo11n.pt",  # Path to the YOLO11 model file
    colormap=cv2.COLORMAP_PARULA,  # Colormap of heatmap
    # region=region_points,  # If you want to do object counting with heatmaps, you can pass region_points
    # classes=[0, 2],  # If you want to generate heatmap for specific classes i.e person and car.
    # show_in=True,  # Display in counts
    # show_out=True,  # Display out counts
    # line_width=2,  # Adjust the line width for bounding boxes and text display
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    im0 = heatmap.generate_heatmap(im0)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Argumentos Heatmap()

Nome Tipo Predefinição Descrição
model str None Caminho para Ultralytics YOLO Modelo de ficheiro
colormap int cv2.COLORMAP_JET Mapa de cores a utilizar para o mapa de calor.
show bool False Se a imagem deve ser apresentada com a sobreposição do mapa de calor.
show_in bool True Se deve ser apresentada a contagem de objectos que entram na região.
show_out bool True Se deve ser apresentada a contagem de objectos que saem da região.
region list None Pontos que definem a região de contagem (uma linha ou um polígono).
line_width int 2 Espessura das linhas utilizadas no desenho.

Argumentos model.track

Argumento Tipo Predefinição Descrição
source str None Especifica o diretório de origem para imagens ou vídeos. Suporta caminhos de ficheiros e URLs.
persist bool False Permite o rastreio persistente de objectos entre fotogramas, mantendo as IDs nas sequências de vídeo.
tracker str botsort.yaml Especifica o algoritmo de seguimento a utilizar, por exemplo, bytetrack.yaml ou botsort.yaml.
conf float 0.3 Define o limiar de confiança para as detecções; valores mais baixos permitem o seguimento de mais objectos, mas podem incluir falsos positivos.
iou float 0.5 Define o limiar de Intersecção sobre União (IoU) para filtrar detecções sobrepostas.
classes list None Filtra os resultados por índice de classe. Por exemplo, classes=[0, 2, 3] só rastreia as classes especificadas.
verbose bool True Controla a apresentação dos resultados do seguimento, fornecendo uma saída visual dos objectos seguidos.

Mapa térmico COLORMAPs

Nome do mapa de cores Descrição
cv::COLORMAP_AUTUMN Mapa de cores do outono
cv::COLORMAP_BONE Mapa de cores dos ossos
cv::COLORMAP_JET Mapa de cores do jato
cv::COLORMAP_WINTER Mapa de cores de inverno
cv::COLORMAP_RAINBOW Mapa de cores do arco-íris
cv::COLORMAP_OCEAN Mapa de cores dos oceanos
cv::COLORMAP_SUMMER Mapa de cores do verão
cv::COLORMAP_SPRING Mapa de cores da primavera
cv::COLORMAP_COOL Mapa de cores fixe
cv::COLORMAP_HSV Mapa de cores HSV (Matiz, Saturação, Valor)
cv::COLORMAP_PINK Mapa cor-de-rosa
cv::COLORMAP_HOT Mapa de cores quentes
cv::COLORMAP_PARULA Mapa de cores de Parula
cv::COLORMAP_MAGMA Mapa de cores do magma
cv::COLORMAP_INFERNO Mapa de cores do Inferno
cv::COLORMAP_PLASMA Mapa de cores do plasma
cv::COLORMAP_VIRIDIS Mapa de cores de Viridis
cv::COLORMAP_CIVIDIS Mapa de cores de Cividis
cv::COLORMAP_TWILIGHT Mapa de cores do crepúsculo
cv::COLORMAP_TWILIGHT_SHIFTED Mapa de cores do crepúsculo deslocado
cv::COLORMAP_TURBO Mapa de cores do turbo
cv::COLORMAP_DEEPGREEN Mapa de cores verde profundo

Estes mapas de cores são normalmente utilizados para visualizar dados com diferentes representações de cores.

FAQ

Como é que Ultralytics YOLO11 gera mapas de calor e quais são as suas vantagens?

Ultralytics YOLO11 gera mapas de calor transformando dados complexos numa matriz codificada por cores em que diferentes tonalidades representam intensidades de dados. Os mapas de calor facilitam a visualização de padrões, correlações e anomalias nos dados. Os tons mais quentes indicam valores mais elevados, enquanto os tons mais frios representam valores mais baixos. As principais vantagens incluem a visualização intuitiva da distribuição de dados, a deteção eficiente de padrões e a análise espacial melhorada para a tomada de decisões. Para obter mais detalhes e opções de configuração, consulte a secção Configuração do mapa de calor.

Posso utilizar Ultralytics YOLO11 para efetuar o seguimento de objectos e gerar um mapa de calor em simultâneo?

Sim, Ultralytics YOLO11 suporta o seguimento de objectos e a geração de mapas de calor em simultâneo. Isto pode ser conseguido através do seu Heatmap integrada com modelos de seguimento de objectos. Para tal, é necessário inicializar o objeto heatmap e utilizar as capacidades de seguimento do YOLO11. Eis um exemplo simples:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap = solutions.Heatmap(colormap=cv2.COLORMAP_PARULA, show=True, model="yolo11n.pt")

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = heatmap.generate_heatmap(im0)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Para mais informações, consulte a página Modo de seguimento.

O que torna os mapas de calor Ultralytics YOLO11 diferentes de outras ferramentas de visualização de dados, como as do OpenCV ou Matplotlib?

Ultralytics YOLO11 Os mapas de calor do são especificamente concebidos para integração com os seus modelos de deteção e seguimento de objectos, fornecendo uma solução completa para análise de dados em tempo real. Ao contrário das ferramentas de visualização genéricas como o OpenCV ou o Matplotlib, os mapas de calor do YOLO11 são optimizados para desempenho e processamento automatizado, suportando funcionalidades como o seguimento persistente, o ajuste do fator de decaimento e a sobreposição de vídeo em tempo real. Para obter mais informações sobre os recursos exclusivos do YOLO11, visite o site Ultralytics YOLO11 Introduction.

Como posso visualizar apenas classes de objectos específicas em mapas de calor utilizando Ultralytics YOLO11 ?

É possível visualizar classes de objectos específicas especificando as classes desejadas no track() do modelo YOLO . Por exemplo, se apenas pretender visualizar automóveis e pessoas (assumindo que os seus índices de classe são 0 e 2), pode definir o método classes em conformidade.

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap = solutions.Heatmap(show=True, model="yolo11n.pt", classes=[0, 2])

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = heatmap.generate_heatmap(im0)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Porque é que as empresas devem escolher Ultralytics YOLO11 para a geração de mapas de calor na análise de dados?

Ultralytics YOLO11 oferece uma integração perfeita de deteção avançada de objectos e geração de mapas de calor em tempo real, tornando-o a escolha ideal para empresas que procuram visualizar dados de forma mais eficaz. As principais vantagens incluem a visualização intuitiva da distribuição de dados, a deteção eficiente de padrões e a análise espacial melhorada para uma melhor tomada de decisões. Além disso, as funcionalidades de ponta do YOLO11, como o acompanhamento persistente, mapas de cores personalizáveis e suporte para vários formatos de exportação, tornam-no superior a outras ferramentas como o TensorFlow e OpenCV para uma análise de dados abrangente. Saiba mais sobre aplicações empresariais em Ultralytics Plans.

📅C riado há 12 meses ✏️ Atualizado há 8 dias

Comentários