Salta para o conteúdo

Visualização avançada de dados: Heatmaps usando Ultralytics YOLOv8 🚀

Introdução aos mapas de calor

Um mapa de calor gerado com Ultralytics YOLOv8 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.



Observa: Mapas de calor utilizando Ultralytics YOLOv8

Porquê escolher os mapas de calor para a 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.
  • Melhoria da análise espacial e da tomada de decisões: Os mapas de calor são fundamentais para ilustrar as relações espaciais, ajudando nos processos de tomada de decisões em sectores como a inteligência empresarial, os estudos ambientais e o planeamento urbano.

Aplicações no mundo real

Transporte Retalho
Ultralytics YOLOv8 Mapa de calor dos transportes Ultralytics YOLOv8 Mapa de calor do retalho
Ultralytics YOLOv8 Mapa de calor dos transportes Ultralytics YOLOv8 Mapa de calor do retalho

Configuração do mapa de calor

  • heatmap_alpha: Certifica-te de que este valor se encontra no intervalo (0,0 - 1,0).
  • decay_factor: Usado para remover o mapa de calor depois de um objeto já não estar no quadro, o seu valor também deve estar no intervalo (0,0 - 1,0).

Mapas de calor utilizando Ultralytics YOLOv8 Exemplo

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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))

# Init heatmap
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    names=model.names,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)

    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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))

line_points = [(20, 400), (1080, 404)]  # line for object counting

# Init heatmap
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    count_reg_pts=line_points,
    names=model.names,
)

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

    tracks = model.track(im0, persist=True, show=False)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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))

# Define polygon points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360), (20, 400)]

# Init heatmap
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    count_reg_pts=region_points,
    names=model.names,
)

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

    tracks = model.track(im0, persist=True, show=False)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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))

# Define region points
region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]

# Init heatmap
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    count_reg_pts=region_points,
    names=model.names,
)

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

    tracks = model.track(im0, persist=True, show=False)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    video_writer.write(im0)

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")  # YOLOv8 custom/pretrained model

im0 = cv2.imread("path/to/image.png")  # path to image file
h, w = im0.shape[:2]  # image height and width

# Heatmap Init
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    names=model.names,
)

results = model.track(im0, persist=True)
im0 = heatmap_obj.generate_heatmap(im0, tracks=results)
cv2.imwrite("ultralytics_output.png", im0)

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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))

classes_for_heatmap = [0, 2]  # classes for heatmap

# Init heatmap
heatmap_obj = solutions.Heatmap(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    names=model.names,
)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False, classes=classes_for_heatmap)

    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    video_writer.write(im0)

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

Argumentos Heatmap()

Nome Tipo Predefinição Descrição
names list None Dicionário de nomes de classes.
imw int 0 Largura da imagem.
imh int 0 Altura da imagem.
colormap int cv2.COLORMAP_JET Mapa de cores a utilizar para o mapa de calor.
heatmap_alpha float 0.5 Valor de mistura alfa para a sobreposição do mapa de calor.
view_img bool False Mostra ou não a imagem com a sobreposição do mapa de calor.
view_in_counts bool True Mostra ou não a contagem de objectos que entram na região.
view_out_counts bool True Mostra ou não a contagem de objectos que saem da região.
count_reg_pts list ou None None Pontos que definem a região de contagem (uma linha ou um polígono).
count_txt_color tuple (0, 0, 0) Cor do texto para a apresentação das contagens.
count_bg_color tuple (255, 255, 255) Cor de fundo para a apresentação das contagens.
count_reg_color tuple (255, 0, 255) Cor para a região de contagem.
region_thickness int 5 Espessura da linha da região.
line_dist_thresh int 15 Limiar de distância para contagem baseada em linhas.
line_thickness int 2 Espessura das linhas utilizadas no desenho.
decay_factor float 0.99 Fator de decaimento para o mapa de calor para reduzir a intensidade ao longo do tempo.
shape str "circle" Forma das manchas do mapa térmico ("círculo" ou "rect").

Argumentos model.track

Nome Tipo Predefinição Descrição
source im0 None diretório de origem para imagens ou vídeos
persist bool False persistência de faixas entre fotogramas
tracker str botsort.yaml Método de rastreio 'bytetrack' ou 'botsort'
conf float 0.3 Limiar de confiança
iou float 0.5 Limiar IOU
classes list None filtra os resultados por classe, ou seja, classes=0, ou classes=[0,2,3]

Mapa térmico COLORMAPs

Nome do mapa de cores Descrição
cv::COLORMAP_AUTUMN Mapa das 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 YOLOv8 gera mapas de calor e quais são as suas vantagens?

Ultralytics YOLOv8 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, consulta a secção Configuração de mapas de calor.

Posso utilizar Ultralytics YOLOv8 para efetuar o rastreio de objectos e gerar um mapa de calor em simultâneo?

Sim, Ultralytics YOLOv8 suporta o rastreio 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, tens de inicializar o objeto heatmap e utilizar as capacidades de seguimento do YOLOv8. Segue um exemplo simples:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap_obj = solutions.Heatmap(colormap=cv2.COLORMAP_PARULA, view_img=True, shape="circle", names=model.names)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Para mais informações, consulta a página Modo de seguimento.

O que torna os mapas de calor Ultralytics YOLOv8 diferentes de outras ferramentas de visualização de dados, como as do OpenCV ou do Matplotlib?

Ultralytics YOLOv8 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 YOLOv8 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 mais informações sobre as características únicas do YOLOv8, visita a Ultralytics YOLOv8 Introduction.

Como posso visualizar apenas classes de objectos específicas em mapas de calor utilizando Ultralytics YOLOv8 ?

Podes visualizar classes de objectos específicas, especificando as classes desejadas no track() do modelo YOLO . Por exemplo, se só quiseres visualizar carros e pessoas (assumindo que os seus índices de classe são 0 e 2), podes definir o método classes em conformidade.

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap_obj = solutions.Heatmap(colormap=cv2.COLORMAP_PARULA, view_img=True, shape="circle", names=model.names)

classes_for_heatmap = [0, 2]  # Classes to visualize
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    tracks = model.track(im0, persist=True, show=False, classes=classes_for_heatmap)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Porque é que as empresas devem escolher Ultralytics YOLOv8 para a geração de mapas de calor na análise de dados?

Ultralytics YOLOv8 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 YOLOv8, 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 o OpenCV para uma análise de dados abrangente. Sabe mais sobre aplicações empresariais em Ultralytics Plans.



Criado em 2023-12-07, Atualizado em 2024-07-14
Autores: RizwanMunawar (8), glenn-jocher (13), IvorZhu331 (1), AyushExel (1), 1579093407@qq.com (1)

Comentários