Аналитика с использованием Ultralytics YOLO11

Введение

Это руководство содержит исчерпывающий обзор трех основных типов визуализации данных: линейных графиков, гистограмм и круговых диаграмм. Каждый раздел содержит пошаговые инструкции и фрагменты кода по созданию этих визуализаций с помощью Python.

Смотреть: Как строить аналитические графики с помощью Ultralytics | Линейные графики, столбчатые, площадные и круговые диаграммы

Визуальные образцы

Линейный график	Планшетный участок	Круговая диаграмма

Почему графики важны

• Линейные графики идеально подходят для отслеживания изменений за короткие и длинные периоды, а также для сравнения изменений для нескольких групп за один и тот же период.
• С другой стороны, столбчатые диаграммы подходят для сравнения количеств в разных категориях и отображения взаимосвязи между категорией и ее численным значением.
• Наконец, круговые диаграммы эффективно иллюстрируют пропорции между категориями и показывают части целого.

 yolo solutions analytics show=True

# pass the source
yolo solutions analytics source="path/to/video/file.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

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
out = cv2.VideoWriter(
    "ultralytics_analytics.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1920, 1080),  # This is fixed
)

# Init analytics
analytics = solutions.Analytics(
    show=True,  # Display the output
    analytics_type="line",  # Pass the analytics type, could be "pie", "bar" or "area".
    model="yolo11n.pt",  # Path to the YOLO11 model file
    # classes=[0, 2],  # If you want to count specific classes i.e person and car with COCO pretrained model.
)

# Process video
frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if success:
        frame_count += 1
        im0 = analytics.process_data(im0, frame_count)  # update analytics graph every frame
        out.write(im0)  # write the video file
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

Аргумент Analytics

Вот таблица с данными Analytics аргументы:

Аргументы model.track

Заключение

Понимание того, когда и как использовать различные типы визуализации, имеет решающее значение для эффективного анализа данных. Линейные графики, столбчатые диаграммы и круговые диаграммы - это основные инструменты, которые помогут вам более четко и эффективно передать историю ваших данных.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как создать линейный график с помощью Ultralytics YOLO11 Analytics?

Чтобы создать линейный график с помощью Ultralytics YOLO11 Analytics, выполните следующие действия:

1. Загрузите модель YOLO11 и откройте видеофайл.
2. Инициализируйте Analytics класс с типом "линия".
3. Перебирайте кадры видео, обновляя линейный график соответствующими данными, например количеством объектов в кадре.
4. Сохраните выходной видеоролик, отображающий линейный график.

Пример:

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))

out = cv2.VideoWriter(
    "ultralytics_analytics.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1920, 1080),  # 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
        im0 = analytics.process_data(im0, frame_count)  # update analytics graph every frame
        out.write(im0)  # write the video file
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

Для получения более подробной информации о настройке Analytics класс, посетите Аналитика с помощью Ultralytics YOLO11 📊. раздел.

В чем преимущества использования Ultralytics YOLO11 для построения гистограмм?

Использование Ultralytics YOLO11 для создания гистограмм дает несколько преимуществ:

1. Визуализация данных в реальном времени: Бесшовная интеграция результатов обнаружения объектов в гистограммы для динамического обновления.
2. Простота использования: простой API и функции позволяют легко внедрять и визуализировать данные.
3. Персонализация: Настройте заголовки, этикетки, цвета и многое другое в соответствии с вашими требованиями.
4. Эффективность: Эффективная обработка больших объемов данных и обновление графиков в режиме реального времени во время обработки видео.

Используйте следующий пример для создания гистограммы:

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))

out = cv2.VideoWriter(
    "ultralytics_analytics.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1920, 1080),  # 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
        im0 = analytics.process_data(im0, frame_count)  # update analytics graph every frame
        out.write(im0)  # write the video file
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

Чтобы узнать больше, посетите раздел " Планшеты" в этом руководстве.

Почему стоит использовать Ultralytics YOLO11 для создания круговых диаграмм в проектах визуализации данных?

Ultralytics YOLO11 является отличным выбором для создания круговых диаграмм, потому что:

1. Интеграция с функцией обнаружения объектов: Непосредственная интеграция результатов обнаружения объектов в круговые диаграммы для получения мгновенных выводов.
2. Удобный API: Простая настройка и использование с минимальным количеством кода.
3. Настраиваемый: Различные варианты настройки цветов, надписей и т. д.
4. Обновления в реальном времени: Обрабатывайте и визуализируйте данные в режиме реального времени, что идеально подходит для проектов видеоаналитики.

Вот небольшой пример:

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))

out = cv2.VideoWriter(
    "ultralytics_analytics.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1920, 1080),  # 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
        im0 = analytics.process_data(im0, frame_count)  # update analytics graph every frame
        out.write(im0)  # write the video file
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

Для получения дополнительной информации обратитесь к разделу "Круговая диаграмма" в руководстве.

Можно ли использовать Ultralytics YOLO11 для отслеживания объектов и динамического обновления визуализаций?

Да, Ultralytics YOLO11 можно использовать для отслеживания объектов и динамического обновления визуализаций. Он поддерживает отслеживание нескольких объектов в режиме реального времени и может обновлять различные визуализации, такие как линейные, столбчатые и круговые диаграммы, на основе данных об отслеживаемых объектах.

Пример отслеживания и обновления линейного графика:

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))

out = cv2.VideoWriter(
    "ultralytics_analytics.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1920, 1080),  # 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
        im0 = analytics.process_data(im0, frame_count)  # update analytics graph every frame
        out.write(im0)  # write the video file
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()

Чтобы узнать о полном функционале, обратитесь к разделу "Отслеживание ".

Что отличает Ultralytics YOLO11 от других решений для обнаружения объектов, таких как OpenCV и TensorFlow?

Ultralytics YOLO11 выделяется на фоне других решений для обнаружения объектов, таких как OpenCV и TensorFlow , по нескольким причинам:

1. Современная точность: YOLO11 обеспечивает высочайшую точность в задачах обнаружения, сегментации и классификации объектов.
2. Простота использования: Удобный API позволяет быстро внедрять и интегрировать систему без необходимости вводить обширные коды.
3. Производительность в реальном времени: Оптимизирован для высокоскоростных выводов, подходит для приложений реального времени.
4. Разнообразные приложения: Поддерживает различные задачи, включая отслеживание нескольких объектов, обучение пользовательской модели и экспорт в различные форматы, такие как ONNX, TensorRT и CoreML.
5. Исчерпывающая документация: Обширная документация и ресурсы блога помогут пользователям пройти каждый шаг.

Более подробные сравнения и примеры использования можно найти в нашем блогеUltralytics .

📅 Создано 6 месяцев назад ✏️ Обновлено 10 дней назад

Комментарии