Аналитика с использованием Ultralytics YOLOv8

Введение

Это руководство содержит исчерпывающий обзор трех основных типов визуализации данных: линейных графиков, гистограмм и круговых диаграмм. Каждый раздел включает в себя пошаговые инструкции и фрагменты кода о том, как создавать эти визуализации с помощью Python.

Визуальные образцы

Линейный график	Барная стойка	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 демонстрации взаимосвязи между категорией и ее числовым значением.
Наконец, круговые диаграммы эффективны для иллюстрации пропорций между категориями и демонстрации частей целого.

Примеры аналитики

Линейный графикНесколько линийКруговая диаграммаБарная стойкаДиаграмма территории

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.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))

out = cv2.VideoWriter("line_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(
    type="line",
    writer=out,
    im0_shape=(w, h),
    view_img=True,
)
total_counts = 0
frame_count = 0

while cap.isOpened():
    success, frame = cap.read()

    if success:
        frame_count += 1
        results = model.track(frame, persist=True, verbose=True)

        if results[0].boxes.id is not None:
            boxes = results[0].boxes.xyxy.cpu()
            for box in boxes:
                total_counts += 1

        analytics.update_line(frame_count, total_counts)

        total_counts = 0
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.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))
out = cv2.VideoWriter("multiple_line_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(
    type="line",
    writer=out,
    im0_shape=(w, h),
    view_img=True,
    max_points=200,
)

frame_count = 0
data = {}
labels = []

while cap.isOpened():
    success, frame = cap.read()

    if success:
        frame_count += 1

        results = model.track(frame, persist=True)

        if results[0].boxes.id is not None:
            boxes = results[0].boxes.xyxy.cpu()
            track_ids = results[0].boxes.id.int().cpu().tolist()
            clss = results[0].boxes.cls.cpu().tolist()

            for box, track_id, cls in zip(boxes, track_ids, clss):
                # Store each class label
                if model.names[int(cls)] not in labels:
                    labels.append(model.names[int(cls)])

                # Store each class count
                if model.names[int(cls)] in data:
                    data[model.names[int(cls)]] += 1
                else:
                    data[model.names[int(cls)]] = 0

        # update lines every frame
        analytics.update_multiple_lines(data, labels, frame_count)
        data = {}  # clear the data list for next frame
    else:
        break

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.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))

out = cv2.VideoWriter("pie_chart.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(
    type="pie",
    writer=out,
    im0_shape=(w, h),
    view_img=True,
)

clswise_count = {}

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True, verbose=True)
        if results[0].boxes.id is not None:
            boxes = results[0].boxes.xyxy.cpu()
            clss = results[0].boxes.cls.cpu().tolist()
            for box, cls in zip(boxes, clss):
                if model.names[int(cls)] in clswise_count:
                    clswise_count[model.names[int(cls)]] += 1
                else:
                    clswise_count[model.names[int(cls)]] = 1

            analytics.update_pie(clswise_count)
            clswise_count = {}

        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.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))

out = cv2.VideoWriter("bar_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(
    type="bar",
    writer=out,
    im0_shape=(w, h),
    view_img=True,
)

clswise_count = {}

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True, verbose=True)
        if results[0].boxes.id is not None:
            boxes = results[0].boxes.xyxy.cpu()
            clss = results[0].boxes.cls.cpu().tolist()
            for box, cls in zip(boxes, clss):
                if model.names[int(cls)] in clswise_count:
                    clswise_count[model.names[int(cls)]] += 1
                else:
                    clswise_count[model.names[int(cls)]] = 1

            analytics.update_bar(clswise_count)
            clswise_count = {}

        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

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

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.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))

out = cv2.VideoWriter("area_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(
    type="area",
    writer=out,
    im0_shape=(w, h),
    view_img=True,
)

clswise_count = {}
frame_count = 0

while cap.isOpened():
    success, frame = cap.read()
    if success:
        frame_count += 1
        results = model.track(frame, persist=True, verbose=True)

        if results[0].boxes.id is not None:
            boxes = results[0].boxes.xyxy.cpu()
            clss = results[0].boxes.cls.cpu().tolist()

            for box, cls in zip(boxes, clss):
                if model.names[int(cls)] in clswise_count:
                    clswise_count[model.names[int(cls)]] += 1
                else:
                    clswise_count[model.names[int(cls)]] = 1

        analytics.update_area(frame_count, clswise_count)
        clswise_count = {}
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

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

Аргумент `Analytics`

Вот таблица с Analytics аргументы:

Имя	Тип	По умолчанию	Описание
`type`	`str`	`None`	Тип данных или объекта.
`im0_shape`	`tuple`	`None`	Форма исходного изображения.
`writer`	`cv2.VideoWriter`	`None`	Объект для записи видеофайлов.
`title`	`str`	`ultralytics`	Название для визуализации.
`x_label`	`str`	`x`	Наклейка для оси х.
`y_label`	`str`	`y`	Наклейка для оси y.
`bg_color`	`str`	`white`	Фоновый цвет.
`fg_color`	`str`	`black`	Цвет переднего плана.
`line_color`	`str`	`yellow`	Цвет линий.
`line_width`	`int`	`2`	Ширина линий.
`fontsize`	`int`	`13`	Размер шрифта для текста.
`view_img`	`bool`	`False`	Флаг для отображения изображения или видео.
`save_img`	`bool`	`True`	Поставь флаг, чтобы сохранить изображение или видео.
`max_points`	`int`	`50`	Для нескольких линий общее количество точек, нарисованных на раме, перед удалением начальных точек.
`points_width`	`int`	`15`	Толщина подсветки точек линии.

Аргументы `model.track`

Имя	Тип	По умолчанию	Описание
`source`	`im0`	`None`	исходный каталог для изображений или видео
`persist`	`bool`	`False`	Сохранение треков между кадрами
`tracker`	`str`	`botsort.yaml`	Метод отслеживания 'bytetrack' или 'botsort'
`conf`	`float`	`0.3`	Порог доверия
`iou`	`float`	`0.5`	Порог IOU
`classes`	`list`	`None`	Фильтруй результаты по классам, то есть classes=0, или classes=[0,2,3]
`verbose`	`bool`	`True`	Отображение результатов отслеживания объектов

Заключение

Понимание того, когда и как использовать различные типы визуализации, крайне важно для эффективного анализа данных. Линейные графики, гистограммы и круговые диаграммы - это основные инструменты, которые помогут тебе более четко и эффективно передать историю твоих данных.

ВОПРОСЫ И ОТВЕТЫ

Как создать линейный график с помощью Ultralytics YOLOv8 Analytics?

Чтобы создать линейный график с помощью Ultralytics YOLOv8 Analytics, выполни следующие шаги:

Загрузи модель YOLOv8 и открой свой видеофайл.
Инициализируй Analytics класс с типом "линия".
Итерируйся по кадрам видео, обновляя линейный график соответствующими данными, например количеством объектов в кадре.
Сохрани выходное видео с отображением линейного графика.

Пример:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")
cap = cv2.VideoCapture("Path/to/video/file.mp4")
out = cv2.VideoWriter("line_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(type="line", writer=out, im0_shape=(w, h), view_img=True)

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True)
        total_counts = sum([1 for box in results[0].boxes.xyxy])
        analytics.update_line(frame_count, total_counts)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

Подробнее о том, как настроить Analytics посетите Аналитика с помощью Ultralytics YOLOv8 📊. Раздел.

В чем преимущества использования Ultralytics YOLOv8 для создания гистограмм?

Использование Ultralytics YOLOv8 для создания гистограмм дает несколько преимуществ:

Визуализация данных в реальном времени: Бесшовно интегрируй результаты обнаружения объектов в гистограммы для динамического обновления.
Простота использования: простой API и функции позволяют легко внедрять и визуализировать данные.
Персонализация: Настраивай заголовки, этикетки, цвета и многое другое в соответствии с твоими специфическими требованиями.
Эффективность: Эффективно обрабатывай большие объемы данных и обновляй графики в режиме реального времени во время обработки видео.

Используй следующий пример, чтобы сгенерировать гистограмму:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")
cap = cv2.VideoCapture("Path/to/video/file.mp4")
out = cv2.VideoWriter("bar_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(type="bar", writer=out, im0_shape=(w, h), view_img=True)

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True)
        clswise_count = {
            model.names[int(cls)]: boxes.size(0)
            for cls, boxes in zip(results[0].boxes.cls.tolist(), results[0].boxes.xyxy)
        }
        analytics.update_bar(clswise_count)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

Чтобы узнать больше, посети раздел " Bar Plot " в руководстве.

Почему я должен использовать Ultralytics YOLOv8 для создания круговых диаграмм в своих проектах по визуализации данных?

Ultralytics YOLOv8 это отличный выбор для создания круговых диаграмм, потому что:

Интеграция с функцией обнаружения объектов: Непосредственно интегрируй результаты обнаружения объектов в круговые диаграммы, чтобы сразу понять, что к чему.
Удобный для пользователя API: Простой в настройке и использовании с минимальным количеством кода.
Настраиваемый: Различные варианты настройки цветов, наклеек и прочего.
Обновления в реальном времени: Обрабатывай и визуализируй данные в режиме реального времени, что идеально подходит для проектов видеоаналитики.

Вот быстрый пример:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")
cap = cv2.VideoCapture("Path/to/video/file.mp4")
out = cv2.VideoWriter("pie_chart.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(type="pie", writer=out, im0_shape=(w, h), view_img=True)

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True)
        clswise_count = {
            model.names[int(cls)]: boxes.size(0)
            for cls, boxes in zip(results[0].boxes.cls.tolist(), results[0].boxes.xyxy)
        }
        analytics.update_pie(clswise_count)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

За дополнительной информацией обращайся к разделу " Круговые диаграммы " в руководстве.

Можно ли использовать Ultralytics YOLOv8 для отслеживания объектов и динамического обновления визуализации?

Да, Ultralytics YOLOv8 можно использовать для отслеживания объектов и динамического обновления визуализаций. Он поддерживает отслеживание нескольких объектов в реальном времени и может обновлять различные визуализации, такие как линейные графики, гистограммы и круговые диаграммы, основываясь на данных отслеживаемых объектов.

Пример отслеживания и обновления линейного графика:

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8s.pt")
cap = cv2.VideoCapture("Path/to/video/file.mp4")
out = cv2.VideoWriter("line_plot.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

analytics = solutions.Analytics(type="line", writer=out, im0_shape=(w, h), view_img=True)

while cap.isOpened():
    success, frame = cap.read()
    if success:
        results = model.track(frame, persist=True)
        total_counts = sum([1 for box in results[0].boxes.xyxy])
        analytics.update_line(frame_count, total_counts)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

Чтобы узнать о полном функционале, смотри раздел " Отслеживание ".

Что отличает Ultralytics YOLOv8 от других решений для обнаружения объектов, таких как OpenCV и TensorFlow?

Ultralytics YOLOv8 выделяется на фоне других решений для обнаружения объектов, таких как OpenCV и TensorFlow , по нескольким причинам:

Современная точность: YOLOv8 обеспечивает превосходную точность в задачах обнаружения, сегментации и классификации объектов.
Простота использования: Удобный API позволяет быстро внедрить и интегрировать его без обширного кодирования.
Производительность в реальном времени: Оптимизирован для высокоскоростного вывода, подходит для приложений реального времени.
Разнообразные приложения: Поддерживает различные задачи, включая отслеживание нескольких объектов, обучение пользовательской модели и экспорт в различные форматы, такие как ONNX, TensorRT и CoreML.
Исчерпывающая документация: Обширная документация и ресурсы блога помогут пользователям пройти каждый шаг.

Для более подробных сравнений и примеров использования изучи наш блогUltralytics .

📅 Создано 3 месяца назад ✏️ Обновлено 0 дней назад