Ultralytics YOLO26 ile analitik#
Ultralytics YOLO26 ile nesne tespiti ve izleme sonuçlarını gerçek zamanlı grafiklere dönüştürebilir, böylece nesne sayılarının video boyunca kare kare nasıl değiştiğini izleyebilirsin. Bu kılavuzda dört veri görselleştirme türü ele alınıyor — çizgi grafikler, çubuk grafikler, pasta grafikler ve alan grafikleri — ve paylaşılan Python ve CLI örnekleriyle bunlar arasında nasıl geçiş yapılacağı gösteriliyor.
Watch: How to generate Analytical Graphs using Ultralytics | Line Graphs, Bar Plots, Area and Pie Charts
Görsel Örnekler#
| Çizgi Grafik | Çubuk Grafik | Pasta Grafik |
|---|---|---|
 |  |  |
Tespit Verileri Neden Görselleştirilir?#
- Çizgi grafikler, kısa ve uzun dönemlerdeki değişiklikleri izlemek ve aynı dönemde birden fazla grubun değişimlerini karşılaştırmak için idealdir.
- Çubuk grafikler, farklı kategorilerdeki miktarları karşılaştırmak ve bir kategori ile o kategorinin sayısal değeri arasındaki ilişkileri göstermek için uygundur.
- Pasta grafikler, kategoriler arasındaki oranları ve bir bütünün parçalarını göstermek için etkilidir.
- Alan grafikleri, çizgi grafiğinin altını doldurarak sınıf başına nesne sayılarının zaman içindeki değişimini tek bakışta okumayı kolaylaştırır.
Analitik Grafikleri Oluşturma#
Videonu Analytics çözümüne aktar ve analytics_type ile bir grafik seç. Çözüm, her karede tespit ve izleme gerçekleştirir ve (varsayılan olarak) 1280×720 boyutunda, doğrudan çıktı videosuna yazabileceğin bir grafik oluşturur. Tek bir bağımsız değişkenle "line", "bar", "pie" ve "area" arasında 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=TrueAnalytics Bağımsız Değişkenleri#
Aşağıda Analytics bağımsız değişkenlerini açıklayan bir tablo yer alıyor:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Bir Ultralytics YOLO model dosyasının yolu. |
analytics_type | str | 'line' | Grafik türü; yani line, bar, area veya pie. |
line_width | int | 2 | Çözümün çizdiği kutular, kilit noktaları ve sayılar için çizgi kalınlığı. |
verbose | bool | True | Çözümün kare başına giriş şeklini, sınıf sayılarını ve işlem hızını kaydetmesini etkinleştirir. Takip çağrısı her zaman sessizdir. |
Analytics çözümünde farklı track bağımsız değişkenlerinden de yararlanabilirsin.
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Kullanılacak takip algoritmasını belirtir. Yerleşik seçenekler: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Algılamalar için güven eşiğini belirler; daha düşük değerler daha fazla nesnenin takip edilmesine olanak tanır ancak yanlış pozitifler içerebilir. |
iou | float | 0.7 | Örtüşen algılamaları filtrelemek için Birleşim Üzerindeki Kesişim (IoU) eşiğini belirler. |
classes | list | None | Sonuçları sınıf dizinine göre filtreler. Örneğin, classes=[0, 2, 3] yalnızca belirtilen sınıfları takip eder. |
device | str | None | Çıkarım için cihazı belirtir (ör. cpu, cuda:0 veya 0). Kullanıcıların model çalıştırma işlemi için CPU, belirli bir GPU veya diğer hesaplama cihazları arasında seçim yapmasına olanak tanır. |
imgsz | int or tuple | 640 | Hedef çıkarım görüntü boyutu: kare için bir tamsayı veya bir (height, width) çifti. Şekiller model adımına göre ayarlanır. |
max_det | int | 300 | İzlemeden önce kare başına tutulan maksimum algılama sayısı; yoğun sahnelerde bir çözümün işlediği nesneleri sınırlar. |
quantize | int or str | None | Çıkarım hassasiyeti: PyTorch ve TorchScript modelleri için 16 (FP16) veya 32/ayarlanmamış (FP32); diğer formatlar, yapılarının ve çalışma zamanının seçtiği hassasiyette hesaplama yapar. Kullanımdan kaldırılan half bayrağının yerini alır. |
Ayrıca aşağıdaki görselleştirme bağımsız değişkenleri desteklenir:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | True olduğunda açıklamalı görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim almak için kullanışlıdır. |
Sonuç#
Etkili veri analizi için farklı görselleştirme türlerinin ne zaman ve nasıl kullanılacağını anlamak kritik öneme sahiptir. Çizgi grafikler, çubuk grafikler ve pasta grafikler, verilerinin öyküsünü daha açık ve etkili bir şekilde aktarmana yardımcı olabilecek temel araçlardır. Ultralytics YOLO26 Analytics çözümü, bu görselleştirmeleri nesne tespiti ve izleme sonuçlarından oluşturmak için kolaylaştırılmış bir yol sunarak görsel verilerinden anlamlı içgörüler çıkarmanı kolaylaştırır.
SSS#
Ultralytics YOLO26 Analytics kullanarak çizgi grafiği oluşturmak için şu adımları izle:
- Bir YOLO26 modeli yükle ve video dosyanı aç.
Analyticssınıfınıanalytics_type="line"ile başlat.- Video kareleri üzerinde yineleme yap ve nesne sayıları gibi verilerle çizgi grafiğini güncellemek için çözümü her karede çağır.
- Grafiği kaydetmek için
results.plot_imöğesini bir çıktı videosuna yaz.
Başlangıç noktası olarak yukarıdaki Python örneğini kullanabilirsin — örnek, tam kare döngüsünü zaten çalıştırıyor ve çizgi grafiği varsayılan
analytics_typedeğeridir.Çubuk grafikleri oluşturmak için Ultralytics YOLO26 kullanmak çeşitli avantajlar sunar:
- Gerçek Zamanlı Veri Görselleştirme: Nesne tespiti sonuçlarını dinamik güncellemeler için çubuk grafiklere sorunsuz bir şekilde entegre eder.
- Kullanım Kolaylığı: Basit API ve işlevler, verileri uygulamayı ve görselleştirmeyi kolaylaştırır.
- Özelleştirme: Başlıkları, etiketleri, renkleri ve diğer öğeleri özel gereksinimlerine uyacak şekilde özelleştirebilirsin.
- Verimlilik: Büyük miktarda veriyi verimli bir şekilde işler ve video işleme sırasında grafikleri gerçek zamanlı olarak günceller.
Çubuk grafiği oluşturmak için yukarıdaki Python örneğinde
analytics_type="bar"değerini ayarla — kare döngüsünün geri kalanı aynıdır. Önizleme için Görsel Örnekler bölümüne bak.Ultralytics YOLO26, şu nedenlerle pasta grafikleri oluşturmak için mükemmel bir seçimdir:
- Nesne Tespitiyle Entegrasyon: Anında içgörüler elde etmek için nesne tespiti sonuçlarını doğrudan pasta grafiklerine entegre eder.
- Kullanıcı Dostu API: Minimum kodla kurulumu ve kullanımı kolaydır.
- Özelleştirilebilir: Renkler, etiketler ve diğer öğeler için çeşitli özelleştirme seçenekleri sunar.
- Gerçek Zamanlı Güncellemeler: Verileri gerçek zamanlı olarak işleyip görselleştirir; bu da onu video analitiği projeleri için ideal kılar.
Pasta grafiği oluşturmak için yukarıdaki Python örneğinde
analytics_type="pie"değerini ayarla. Daha fazla bilgi için kılavuzdaki Görsel Örnekler bölümüne bak.Evet. İzleme,
Analyticsçözümünün içinde yerleşik olarak bulunur: birden fazla nesneyi gerçek zamanlı olarak izler ve grafiği her karede izlenen nesnelerin verileriyle günceller; böylece çizgi grafikler, çubuk grafikler, pasta grafikler ve alan grafikleri canlı sayıları yansıtır. Yukarıdaki Python örneğindeki kare döngüsü tam olarak bunu yapar. Temel izleme işlevleri hakkında bilgi edinmek için İzleme bölümüne bak.Ultralytics YOLO26, OpenCV ve TensorFlow gibi diğer nesne tespiti çözümlerinden çeşitli nedenlerle ayrışır:
- Son Teknoloji Doğruluk: YOLO26; nesne tespiti, örnek bölütleme, semantik bölütleme ve sınıflandırma görevlerinde üstün doğruluk sunar.
- Kullanım Kolaylığı: Kullanıcı dostu API, kapsamlı kodlama gerektirmeden hızlı uygulama ve entegrasyon olanağı sağlar.
- Gerçek Zamanlı Performans: Yüksek hızlı çıkarım için optimize edilmiştir ve gerçek zamanlı uygulamalar için uygundur.
- Çeşitli Uygulamalar: Çoklu nesne izlemeyi, özel model eğitimini ve ONNX, TensorRT ve CoreML gibi farklı biçimlere aktarmayı destekler.
- Kapsamlı Belgeler: Kullanıcıları her adımda yönlendiren kapsamlı belgeler ve blog kaynakları sunar.
Daha ayrıntılı karşılaştırmalar ve kullanım örnekleri için Ultralytics Blogumuzu incele.