Link to this sectionUltralytics YOLO26 kullanarak analitik#

Ultralytics YOLO26 ile analizler, nesne algılama ve takip sonuçlarını gerçek zamanlı grafiklere dönüştürür, böylece nesne sayılarının bir video boyunca kare kare nasıl değiştiğini izleyebilirsin. Bu kılavuz dört veri görselleştirme türünü kapsar — çizgi grafikleri, çubuk grafikler, pasta grafikler ve alan grafikleri — ve ortak Python ve CLI örnekleri ile bunlar arasında nasıl geçiş yapacağını gösterir.

Link to this sectionGörsel Örnekler#

Çizgi Grafiği	Çubuk Grafik	Pasta Grafik

Link to this sectionAlgılama 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.

Link to this sectionAnaliz Grafikleri Oluştur#

Videon Analytics çözümüne ilet ve analytics_type ile bir grafik seç. Çözüm her karede algılama ve takip işlemini çalıştırır ve doğrudan bir çıktı videosuna yazabileceğin 1280×720 boyutunda bir grafik (varsayılan olarak) oluşturur. "line", "bar", "pie" ve "area" arasında tek bir argümanla geçiş yapabilirsin.

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

Link to this sectionAnalytics Argümanları#

İşte Analytics argümanlarını özetleyen bir tablo:

You can also leverage different track arguments in the Analytics solution.

Ek olarak, aşağıdaki görselleştirme argümanları desteklenmektedir:

Link to this sectionSonuç#

Farklı görselleştirme türlerinin ne zaman ve nasıl kullanılacağını anlamak, etkili veri analizi için çok önemlidir. Çizgi grafikleri, çubuk grafikler ve pasta grafikler, verinin hikayesini daha net ve etkili bir şekilde aktarmana yardımcı olabilecek temel araçlardır. Ultralytics YOLO26 Analytics çözümü, bu görselleştirmeleri nesne tespiti ve takip sonuçlarından oluşturman için kolaylaştırılmış bir yol sunar; böylece görsel verilerinden anlamlı içgörüler çıkarmak daha kolay hale gelir.

Link to this sectionSSS#

Link to this sectionUltralytics 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 değerini bir çıktı videosuna yaz.

Başlangıç noktası olarak yukarıdaki Python örneğini kullan; zaten tam kare döngüsünü çalıştırıyor ve analytics_type olarak varsayılan değer çizgi grafiğidir.

Link to this sectionUltralytics 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: Nesne tespiti sonuçlarını dinamik güncellemeler için çubuk grafiklerle 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.

To generate a bar plot, set analytics_type="bar" in the Python example above — the rest of the frame loop is identical. See the Visual Samples section for a preview.

Link to this sectionVeri 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.

To generate a pie chart, set analytics_type="pie" in the Python example above. For more information, refer to the Visual Samples section in the guide.

Link to this sectionUltralytics YOLO26 nesneleri takip etmek ve görselleştirmeleri dinamik olarak güncellemek için kullanılabilir mi?#

Evet. Takip özelliği Analytics çözümünün içine yerleşiktir: gerçek zamanlı olarak birden fazla nesneyi takip eder ve her karede takip edilen nesnelerin verilerinden grafiği günceller, böylece çizgi grafikleri, çubuk grafikler, pasta grafikler ve alan grafiklerinin tümü canlı sayıları yansıtır. Yukarıdaki Python örneğindeki kare döngüsü tam olarak bunu yapar. Temel takip işlevselliği hakkında bilgi edinmek için Takip bölümüne bak.

Link to this sectionUltralytics YOLO26'yı OpenCV ve TensorFlow gibi diğer nesne tespiti çözümlerinden farklı kılan nedir?#

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

1. Son Teknoloji Doğruluk: YOLO26, nesne tespiti, örnek bölümleme, anlamsal bölümleme 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 Dokümantasyon: Kullanıcılara her adımda rehberlik edecek geniş kapsamlı dokümantasyon ve blog kaynakları.

Daha detaylı karşılaştırmalar ve kullanım durumları için Ultralytics Blog sayfamızı keşfet.