Продвинутая визуализация данных: Тепловые карты с использованием Ultralytics YOLO11 🚀

Введение в тепловые карты

Тепловая карта, созданная с помощью Ultralytics YOLO11 преобразует сложные данные в яркую матрицу с цветовой кодировкой. Этот визуальный инструмент использует спектр цветов для представления различных значений данных, где более теплые оттенки указывают на более высокую интенсивность, а более холодные - на более низкие значения. Тепловые карты отлично визуализируют сложные схемы данных, корреляции и аномалии, предлагая доступный и увлекательный подход к интерпретации данных в различных областях.

Смотреть: Тепловые карты с использованием Ultralytics YOLO11

Почему стоит выбрать тепловые карты для анализа данных?

• Интуитивно понятная визуализация распределения данных: Тепловые карты упрощают понимание концентрации и распределения данных, преобразуя сложные наборы данных в удобные для восприятия визуальные форматы.
• Эффективное обнаружение закономерностей: Благодаря визуализации данных в формате тепловой карты становится проще выявить тенденции, кластеры и провалы, что способствует более быстрому анализу и пониманию.
• Улучшенный пространственный анализ и принятие решений: тепловые карты помогают проиллюстрировать пространственные взаимосвязи, способствуя процессу принятия решений в таких областях, как бизнес-аналитика, экологические исследования и городское планирование.

Применение в реальном мире

Транспорт	Розничная торговля
Ultralytics YOLO11 Тепловая карта транспорта	Ultralytics YOLO11 Тепловая карта розничной торговли

# 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()

Аргументы Heatmap()

Аргументы model.track

Тепловые карты COLORMAPs

Эти цветовые карты обычно используются для визуализации данных с помощью различных цветовых представлений.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как Ultralytics YOLO11 создает тепловые карты и в чем их преимущества?

Ultralytics YOLO11 Создает тепловые карты, преобразуя сложные данные в матрицу с цветовой кодировкой, где различные оттенки представляют интенсивность данных. Тепловые карты облегчают визуализацию закономерностей, корреляций и аномалий в данных. Более теплые оттенки обозначают более высокие значения, а более холодные - более низкие. К основным преимуществам относятся интуитивная визуализация распределения данных, эффективное обнаружение закономерностей и улучшенный пространственный анализ для принятия решений. Более подробную информацию и параметры конфигурации см. в разделе Конфигурация тепловой карты.

Можно ли использовать Ultralytics YOLO11 для отслеживания объектов и создания тепловой карты одновременно?

Да, Ultralytics YOLO11 поддерживает одновременное отслеживание объектов и создание тепловых карт. Этого можно достичь с помощью Heatmap решение, интегрированное с моделями отслеживания объектов. Для этого необходимо инициализировать объект heatmap и использовать возможности отслеживания YOLO11. Вот простой пример:

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()

Более подробную информацию можно найти на странице Режим отслеживания.

Чем тепловые карты Ultralytics YOLO11 отличаются от других инструментов визуализации данных, например, от OpenCV или Matplotlib?

Ultralytics YOLO11 Тепловые карты специально разработаны для интеграции с его моделями обнаружения и отслеживания объектов, обеспечивая комплексное решение для анализа данных в реальном времени. В отличие от общих инструментов визуализации, таких как OpenCV или Matplotlib, тепловые карты YOLO11 оптимизированы для производительности и автоматизированной обработки, поддерживая такие функции, как постоянное отслеживание, настройка коэффициента затухания и наложение видео в реальном времени. Для получения дополнительной информации об уникальных возможностях YOLO11 посетите страницу Ultralytics YOLO11 Введение.

Как визуализировать только определенные классы объектов в тепловых картах с помощью Ultralytics YOLO11 ?

Вы можете визуализировать конкретные классы объектов, указав нужные классы в track() метода модели YOLO . Например, если вы хотите визуализировать только автомобили и людей (предполагая, что их классовые индексы равны 0 и 2), вы можете задать параметр classes соответствующим образом.

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()

Почему компании должны выбрать Ultralytics YOLO11 для создания тепловых карт при анализе данных?

Ultralytics YOLO11 предлагает бесшовную интеграцию расширенного обнаружения объектов и создания тепловых карт в реальном времени, что делает его идеальным выбором для предприятий, стремящихся к более эффективной визуализации данных. Среди ключевых преимуществ - интуитивно понятная визуализация распределения данных, эффективное обнаружение закономерностей и улучшенный пространственный анализ для принятия более эффективных решений. Кроме того, такие передовые функции YOLO11, как постоянное отслеживание, настраиваемые цветовые карты и поддержка различных форматов экспорта, делают его лучше других инструментов, таких как TensorFlow и OpenCV для всестороннего анализа данных. Узнайте больше о бизнес-приложениях на сайте Ultralytics Plans.

📅 Создано 1 год назад ✏️ Обновлено 17 дней назад

Комментарии