YOLO Vision 2026:

Ultralytics YOLO26 kullanarak analitik#

Ultralytics YOLO26 ile Analytics; nesne algılama ve takip sonuçlarını gerçek zamanlı grafiklere dönüştürür, böylece nesne sayı اینکه video çerçevesinde çerçeve çerçeve nasıl değiştiğini izleyebilirsin. Bu kılavuz dört veri görselleştirme türünü (çizgi grafikleri, çubuk grafikler, pasta grafikler ve alan grafikleri) kapsar ve paylaşılan Python ve CLI örnekleriyle bunların arasında nasıl geçiş yapılacağını gösterir.



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

Görsel Örnekler#

Çizgi GrafiğiÇubuk GrafikPasta Grafik
YOLO analytics line graph for object trackingYOLO analytics bar plot for detection countsYOLO analytics pie chart for class distribution

Algılama Verilerini Neden Görselleştirmelisin?#

  • Çizgi grafikleri, kısa ve uzun dönemlerdeki değişimleri izlemek ve aynı dönemdeki birden fazla grubun değişimlerini karşılaştırmak için idealdir.
  • Çubuk grafikler, farklı kategorilerdeki miktarları karşılaştırmak ve bir kategori ile sayısal değeri arasındaki ilişkileri göstermek için uygundur.
  • Pasta grafikler, kategoriler arasındaki oranları göstermek ve bir bütünün parçalarını sergilemek için etkilidir.
  • Alan grafikleri, çizgi grafiğini doldurarak sınıfa göre nesne sayılarının zaman içindeki değişiminin bir bakışta daha kolay okunmasını sağlar.

Analiz Grafikleri Oluştur#

Videonu Analytics çözümüne aktar ve analytics_type ile bir grafik seç. Çözüm her karede algılama ve takibi çalıştırır ve doğrudan bir çıktı videosuna yazabileceğin 1280x720 boyutunda bir grafik (varsayılan olarak) oluşturur. Tek bir argümanla "line", "bar", "pie" ve "area" arasında geçiş yap.

Ultralytics YOLO kullanarak analitik
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

Analytics Argümanları#

İşte Analytics argümanlarını özetleyen bir tablo:

ArgümanTipVarsayılanAçıklama
modelstrNoneBir Ultralytics YOLO model dosyasına giden yol.
analytics_typestr'line'Grafik türü, yani line, bar, area veya pie.

Analytics çözümünde farklı track argümanlarından da yararlanabilirsin.

ArgümanTipVarsayılanAçıklama
trackerstr'tracktrack.yaml'Kullanılacak izleme algoritmasını belirtir. Yerleşik seçenekler: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml.
conffloat0.1Algılamalar için güven eşiğini ayarlar; daha düşük değerler daha fazla nesnenin izlenmesine izin verir ancak hatalı pozitif sonuçlar içerebilir.
ioufloat0.7Örtüşen tespitleri filtrelemek için Intersection over Union (IoU) eşiğini ayarlar.
classeslistNoneSonuçları sınıf indeksine göre filtreler. Örneğin, classes=[0, 2, 3] yalnızca belirtilen sınıfları izler.
verboseboolTrueİzlenen nesnelerin görsel bir çıktısını sağlayarak izleme sonuçlarının görüntülenmesini kontrol eder.
devicestrNoneÇıkarım için cihazı belirtir (ör. cpu, cuda:0 veya 0). Kullanıcıların model yürütme için CPU, belirli bir GPU veya diğer bilgi işlem cihazları arasında seçim yapmasına olanak tanır.

Ek olarak, aşağıdaki görselleştirme argümanları desteklenmektedir:

ArgümanTipVarsayılanAçıklama
showboolFalseEğer True ise, açıklama eklenmiş görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim için kullanışlıdır.
line_widthint or NoneNoneSınırlayıcı kutuların çizgi genişliğini belirtir. Eğer None ise, çizgi genişliği görüntü boyutuna göre otomatik olarak ayarlanır. Netlik için görsel özelleştirme sağlar.

Sonuç#

Farklı görselleştirme türlerinin ne zaman ve nasıl kullanılacağını anlamak, etkili veri analizi için çok önemlidir. Çizgi grafikleri, çubuk grafikler ve pasta grafikler, verilerinin hikayesini daha net ve etkili bir şekilde aktarmana yardımcı olabilecek temel araçlardır. Ultralytics YOLO26 Analytics çözümü, bu görselleştirmeleri nesne algılama ve takip sonuçlarından oluşturmak için kolaylaştırılmış bir yol sunarak görsel verilerinden anlamlı içgörüler çıkarmayı kolaylaştırır.

SSS#

Ultralytics YOLO26 Analytics kullanarak nasıl çizgi grafiği oluşturabilirim?#

Ultralytics YOLO26 Analytics kullanarak çizgi grafiği oluşturmak için şu adımları izle:

  1. Bir YOLO26 modeli yükle ve video dosyanı aç.
  2. Analytics sınıfını analytics_type="line" ile başlat.
  3. Video kareleri arasında döngü kur ve çizgi grafiğini nesne sayıları gibi verilerle güncellemek için her karede çözümü çağır.
  4. Grafiği kaydetmek için results.plot_im öğesini bir çıktı videosuna yaz.

Başlangıç noktası olarak yukarıdaki Python örneğini kullan; bu örnek zaten tam kare döngüsünü çalıştırır ve çizgi grafiği varsayılan analytics_type değeridir.

Ultralytics YOLO26'yı çubuk grafik oluşturmak için kullanmanın faydaları nelerdir?#

Ultralytics YOLO26'yı çubuk grafik oluşturmak için kullanmanın birkaç faydası vardır:

  1. Gerçek Zamanlı Veri Görselleştirme: Dinamik güncellemeler için nesne algılama sonuçlarını çubuk grafiklere sorunsuz bir şekilde entegre et.
  2. Kullanım Kolaylığı: Basit API ve işlevler, verileri uygulamayı ve görselleştirmeyi kolaylaştırır.
  3. Özelleştirme: Başlıkları, etiketleri, renkleri ve daha fazlasını özel gereksinimlerine uyacak şekilde özelleştir.
  4. Verimlilik: Büyük miktardaki veriyi verimli bir şekilde işle ve video işleme sırasında grafikleri gerçek zamanlı olarak güncelle.

Bir çubuk grafik oluşturmak için yukarıdaki Python örneğinde analytics_type="bar" ayarla; kare döngüsünün geri kalanı aynıdır. Önizleme için Görsel Örnekler bölümüne göz at.

Veri görselleştirme projelerimde pasta grafikler oluşturmak için neden Ultralytics YOLO26 kullanmalıyım?#

Ultralytics YOLO26, pasta grafik oluşturmak için mükemmel bir seçimdir çünkü:

  1. Nesne Tespiti ile Entegrasyon: Anında içgörüler için nesne tespiti sonuçlarını doğrudan pasta grafiklerle entegre et.
  2. Kullanıcı Dostu API: Minimum kodla kurulumu ve kullanımı basittir.
  3. Özelleştirilebilir: Renkler, etiketler ve daha fazlası için çeşitli özelleştirme seçenekleri sunar.
  4. Gerçek Zamanlı Güncellemeler: Video analitiği projeleri için ideal olan, verileri gerçek zamanlı olarak işle ve görselleştir.

Bir pasta grafik oluşturmak için yukarıdaki Python örneğinde analytics_type="pie" ayarla. Daha fazla bilgi için kılavuzdaki Görsel Örnekler bölümüne bak.

Ultralytics YOLO26 nesneleri takip etmek ve görselleştirmeleri dinamik olarak güncellemek için kullanılabilir mi?#

Evet. Takip, Analytics çözümüne dahildir: birden fazla nesneyi gerçek zamanlı olarak takip eder ve her karede takip edilen nesnelerin verilerinden grafiği günceller, böylece çizgi grafikleri, çubuk grafikler, pasta grafikler ve alan grafikleri canlı sayıları yansıtır. Yukarıdaki Python örneğindeki kare döngüsünün yaptığı tam olarak budur. Temel takip işlevi hakkında bilgi edinmek için Takip bölümüne göz at.

Ultralytics YOLO26'yı OpenCV ve TensorFlow gibi diğer nesne algılama çözümlerinden farklı kılan nedir?#

Ultralytics YOLO26, OpenCV ve TensorFlow gibi diğer nesne tespiti çözümlerinden birçok nedenden dolayı ayrılır:

  1. Son Teknoloji Doğruluk: YOLO26, nesne algılama, örnek segmentasyonu, anlamsal segmentasyon ve sınıflandırma görevlerinde üstün doğruluk sağlar.
  2. Kullanım Kolaylığı: Kullanıcı dostu API, kapsamlı kodlama olmadan hızlı uygulama ve entegrasyona olanak tanır.
  3. Gerçek Zamanlı Performans: Gerçek zamanlı uygulamalar için uygun olan, yüksek hızlı çıkarım için optimize edilmiştir.
  4. Çeşitli Uygulamalar: Çoklu nesne takibi, özel model eğitimi ve ONNX, TensorRT ve CoreML gibi farklı formatlara dışa aktarma dahil olmak üzere çeşitli görevleri destekler.
  5. Kapsamlı Belgelendirme: Kullanıcılara her adımda rehberlik edecek kapsamlı belgeler ve blog kaynakları.

Daha ayrıntılı karşılaştırmalar ve kullanım durumları için Ultralytics Blog sayfamızı incele.

Katkıda Bulunanlar
GLglenn-jocher11RIRizwanMunawar9RAraimbekovm2MAMatthewNoyce2LAlakshanthad1IVIvorZhu3311

Yorumlar