Как создать линейный график с помощью Ultralytics YOLO26 Analytics?

Чтобы создать линейный график с помощью Ultralytics YOLO26 Analytics, выполни следующие шаги: Загрузи модель YOLO26 и открой видеофайл. Инициализируй класс Analytics с помощью analytics_type="line". Перебирай кадры видео, вызывая решение для каждого кадра, чтобы обновлять линейный график данными, например количеством объектов. Запиши results.plot_im в выходное видео, чтобы сохранить график. Используй пример на Python выше как отправную точку — в нём уже реализован полный цикл обработки кадров, а линейный график является значением analytics_type по умолчанию.

Каковы преимущества использования Ultralytics YOLO26 для создания столбчатых диаграмм?

Использование Ultralytics YOLO26 для создания столбчатых диаграмм даёт несколько преимуществ: Визуализация данных в реальном времени: легко интегрируй результаты обнаружения объектов в столбчатые диаграммы для динамического обновления. Простота использования: простой API и функции упрощают реализацию и визуализацию данных. Настройка: настраивай заголовки, подписи, цвета и другие параметры в соответствии со своими требованиями. Эффективность: эффективно обрабатывай большие объёмы данных и обновляй графики в реальном времени во время обработки видео. Чтобы создать столбчатую диаграмму, задай analytics_type="bar" в примере на Python выше — остальная часть цикла обработки кадров остаётся неизменной. Предварительный просмотр доступен в разделе Визуальные примеры.

Почему стоит использовать Ultralytics YOLO26 для создания круговых диаграмм в проектах визуализации данных?

Ultralytics YOLO26 отлично подходит для создания круговых диаграмм, потому что: Интеграция с обнаружением объектов: напрямую интегрируй результаты обнаружения объектов в круговые диаграммы для быстрого получения выводов. Удобный API: простая настройка и использование с минимальным количеством кода. Настраиваемость: доступны различные параметры настройки цветов, подписей и других элементов. Обновления в реальном времени: обрабатывай и визуализируй данные в реальном времени, что особенно удобно для проектов видеоаналитики. Чтобы создать круговую диаграмму, задай analytics_type="pie" в примере на Python выше. Дополнительную информацию см. в разделе Визуальные примеры руководства.

Чем Ultralytics YOLO26 отличается от других решений для обнаружения объектов, таких как OpenCV и TensorFlow?

Ultralytics YOLO26 отличается от других решений для обнаружения объектов, таких как OpenCV и TensorFlow, по нескольким причинам: Современная точность: YOLO26 обеспечивает превосходную точность в задачах обнаружения объектов, сегментации экземпляров, семантической сегментации и классификации. Простота использования: удобный API позволяет быстро реализовать и интегрировать решение без большого объёма кода. Производительность в реальном времени: оптимизировано для высокоскоростного вывода и подходит для приложений реального времени. Разнообразие применений: поддерживает трекинг нескольких объектов, обучение пользовательских моделей и экспорт в различные форматы, такие как ONNX, TensorRT и CoreML. Полная документация: подробная документация и материалы блога помогают пользователям пройти каждый этап. Более подробные сравнения и примеры использования см. в нашем блоге Ultralytics.

Аналитика с использованием Ultralytics YOLO26#

Q: Можно ли использовать Ultralytics YOLO26 для трекинга объектов и динамического обновления визуализаций?

Да. Трекинг встроен в решение Analytics: оно отслеживает несколько объектов в реальном времени и обновляет график данными отслеживаемых объектов в каждом кадре, поэтому линейные графики, столбчатые диаграммы, круговые диаграммы и графики с областями отражают текущие значения. Именно это делает цикл обработки кадров в примере на Python выше. Подробнее о базовой функциональности трекинга см. в разделе Трекинг.

Аналитика с Ultralytics YOLO26 преобразует результаты обнаружения объектов и трекинга в графики в реальном времени, позволяя тебе наблюдать, как количество объектов меняется в каждом кадре видео. В этом руководстве рассматриваются четыре типа визуализации данных — линейные графики, столбчатые диаграммы, круговые диаграммы и графики с областями — и показано, как переключаться между ними с помощью общих примеров для Python и CLI.

Watch: How to generate Analytical Graphs using Ultralytics | Line Graphs, Bar Plots, Area and Pie Charts

Визуальные примеры#

Линейный график	Столбчатая диаграмма	Круговая диаграмма

Зачем визуализировать данные об обнаружении объектов?#

Линейные графики идеально подходят для отслеживания изменений за короткие и длительные периоды, а также для сравнения изменений нескольких групп за один и тот же период.
Столбчатые диаграммы подходят для сравнения величин в разных категориях и отображения взаимосвязи между категорией и её числовым значением.
Круговые диаграммы эффективно иллюстрируют соотношения между категориями и показывают части целого.
Графики с областями заполняют область под линейным графиком, чтобы количество объектов каждого класса с течением времени было проще оценивать с первого взгляда.

Создание аналитических графиков#

Передай видео в решение Analytics и выбери график с помощью analytics_type. Решение выполняет обнаружение объектов и трекинг каждого кадра и по умолчанию строит график размером 1280×720, который можно напрямую записать в выходное видео. Переключайся между "line", "bar", "pie" и "area" с помощью одного аргумента.

Аналитика с использованием Ultralytics YOLO

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=True

Аргументы `Analytics`#

Ниже приведена таблица с аргументами Analytics:

Аргумент	Тип	По умолчанию	Описание
`model`	`str`	`None`	Путь к файлу модели Ultralytics YOLO.
`analytics_type`	`str`	`'line'`	Тип графика: `line`, `bar`, `area` или `pie`.
`line_width`	`int`	`2`	Толщина линий для рамок, ключевых точек и счётчиков, которые рисует решение.
`verbose`	`bool`	`True`	Включает покадровый журнал решения с указанием формы входных данных, количества классов и скорости обработки. Сам вызов отслеживания всегда выполняется без вывода.

Ты также можешь использовать различные аргументы track в решении Analytics.

Аргумент	Тип	По умолчанию	Описание
`tracker`	`str`	`'botsort.yaml'`	Определяет используемый алгоритм отслеживания. Встроенные варианты: `botsort.yaml`, `bytetrack.yaml`, `ocsort.yaml`, `deepocsort.yaml`, `fasttrack.yaml`, `tracktrack.yaml`.
`conf`	`float`	`0.25`	Задаёт порог уверенности для детекций: более низкие значения позволяют отслеживать больше объектов, но могут включать ложноположительные результаты.
`iou`	`float`	`0.7`	Задаёт порог пересечения над объединением (IoU) для фильтрации перекрывающихся детекций.
`classes`	`list`	`None`	Фильтрует результаты по индексу класса. Например, `classes=[0, 2, 3]` отслеживает только указанные классы.
`device`	`str`	`None`	Определяет устройство для инференса (например, `cpu`, `cuda:0` или `0`). Позволяет выбрать CPU, конкретный GPU или другое вычислительное устройство для выполнения модели.
`imgsz`	`int or tuple`	`640`	Целевой размер изображения для вывода: целое число для квадрата или пара `(height, width)`. Формы подстраиваются под шаг модели.
`max_det`	`int`	`300`	Максимальное количество обнаружений, сохраняемых на кадр перед трекингом, ограничивает объекты, обрабатываемые решением в плотных сценах.
`quantize`	`int or str`	`None`	Точность вывода: `16` (FP16) или `32`/не задано (FP32) для моделей PyTorch и TorchScript; остальные форматы выполняют вычисления с точностью, выбранной их артефактом и средой выполнения. Заменяет устаревший флаг `half`.

Кроме того, поддерживаются следующие аргументы визуализации:

Аргумент	Тип	По умолчанию	Описание
`show`	`bool`	`False`	Если `True`, аннотированные изображения или видео отображаются в окне. Это полезно для получения визуальной обратной связи в процессе разработки или тестирования.

Заключение#

Понимание того, когда и как использовать разные типы визуализации, крайне важно для эффективного анализа данных. Линейные графики, столбчатые диаграммы и круговые диаграммы — это базовые инструменты, которые помогают яснее и эффективнее представить историю твоих данных. Решение Ultralytics YOLO26 Analytics упрощает создание этих визуализаций на основе результатов обнаружения объектов и трекинга, помогая извлекать значимые выводы из визуальных данных.

Часто задаваемые вопросы#

Чтобы создать линейный график с помощью Ultralytics YOLO26 Analytics, выполни следующие шаги:
1. Загрузи модель YOLO26 и открой видеофайл.
2. Инициализируй класс Analytics с помощью analytics_type="line".
3. Перебирай кадры видео, вызывая решение для каждого кадра, чтобы обновлять линейный график данными, например количеством объектов.
4. Запиши results.plot_im в выходное видео, чтобы сохранить график.
Используй пример на Python выше как отправную точку — в нём уже реализован полный цикл обработки кадров, а линейный график является значением analytics_type по умолчанию.
Использование Ultralytics YOLO26 для создания столбчатых диаграмм даёт несколько преимуществ:
1. Визуализация данных в реальном времени: легко интегрируй результаты обнаружения объектов в столбчатые диаграммы для динамического обновления.
2. Простота использования: простой API и функции упрощают реализацию и визуализацию данных.
3. Настройка: настраивай заголовки, подписи, цвета и другие параметры в соответствии со своими требованиями.
4. Эффективность: эффективно обрабатывай большие объёмы данных и обновляй графики в реальном времени во время обработки видео.
Чтобы создать столбчатую диаграмму, задай analytics_type="bar" в примере на Python выше — остальная часть цикла обработки кадров остаётся неизменной. Предварительный просмотр доступен в разделе Визуальные примеры.
Ultralytics YOLO26 отлично подходит для создания круговых диаграмм, потому что:
1. Интеграция с обнаружением объектов: напрямую интегрируй результаты обнаружения объектов в круговые диаграммы для быстрого получения выводов.
2. Удобный API: простая настройка и использование с минимальным количеством кода.
3. Настраиваемость: доступны различные параметры настройки цветов, подписей и других элементов.
4. Обновления в реальном времени: обрабатывай и визуализируй данные в реальном времени, что особенно удобно для проектов видеоаналитики.
Чтобы создать круговую диаграмму, задай analytics_type="pie" в примере на Python выше. Дополнительную информацию см. в разделе Визуальные примеры руководства.
Да. Трекинг встроен в решение Analytics: оно отслеживает несколько объектов в реальном времени и обновляет график данными отслеживаемых объектов в каждом кадре, поэтому линейные графики, столбчатые диаграммы, круговые диаграммы и графики с областями отражают текущие значения. Именно это делает цикл обработки кадров в примере на Python выше. Подробнее о базовой функциональности трекинга см. в разделе Трекинг.
Ultralytics YOLO26 отличается от других решений для обнаружения объектов, таких как OpenCV и TensorFlow, по нескольким причинам:
1. Современная точность: YOLO26 обеспечивает превосходную точность в задачах обнаружения объектов, сегментации экземпляров, семантической сегментации и классификации.
2. Простота использования: удобный API позволяет быстро реализовать и интегрировать решение без большого объёма кода.
3. Производительность в реальном времени: оптимизировано для высокоскоростного вывода и подходит для приложений реального времени.
4. Разнообразие применений: поддерживает трекинг нескольких объектов, обучение пользовательских моделей и экспорт в различные форматы, такие как ONNX, TensorRT и CoreML.
5. Полная документация: подробная документация и материалы блога помогают пользователям пройти каждый этап.
Более подробные сравнения и примеры использования см. в нашем блоге Ultralytics.

Участники

GLglenn-jocher¹¹ RIRizwanMunawar⁹ RAraimbekovm⁶ MAMatthewNoyce² LAlakshanthad¹ IVIvorZhu331¹

Создано 23 мая 2024 г.Обновлено 3 дня назад