Ultralytics YOLO26 ile Analitik#
Ultralytics YOLO26 ile analitik, nesne algılama ve izleme sonuçlarını gerçek zamanlı grafiklere dönüştürür; böylece nesne sayılarının video kareleri boyunca nasıl değiştiğini takip edebilirsin. Bu kılavuz dört veri görselleştirme türünü kapsar — çizgi grafikleri, çubuk grafikler, pasta grafikleri ve alan grafikleri — ve ortak Python ve CLI örnekleriyle bunlar arasında nasıl geçiş yapılacağını gösterir.
İzle: Ultralytics ile Analitik Grafikler Nasıl Oluşturulur | Çizgi Grafikleri, Çubuk Grafikler, Alan Grafikleri ve Pasta Grafikleri
Görsel Örnekler#
| Çizgi Grafiği | Çubuk Grafik | Pasta Grafiği |
|---|---|---|
 |  |  |
Algılama Verileri Neden Görselleştirilir?#
- Çizgi grafikleri, kısa ve uzun dönemlerdeki değişiklikleri izlemek ve aynı dönemde birden fazla gruptaki değişiklikleri karşılaştırmak için idealdir.
- Çubuk grafikler, farklı kategorilerdeki miktarları karşılaştırmak ve bir kategoriyle sayısal değeri arasındaki ilişkileri göstermek için uygundur.
- Pasta grafikleri, kategoriler arasındaki oranları göstermek ve bir bütünün parçalarını görselleştirmek için etkilidir.
- Alan grafikleri, çizgi grafiğinin altını doldurarak sınıf başına nesne sayılarının zamana göre bir bakışta daha kolay okunmasını sağlar.
Analitik Grafikleri Oluştur#
Videonu Analytics çözümüne aktar ve analytics_type ile bir grafik seç. Çözüm her karede algılama ve izleme işlemlerini çalıştırır, ardından doğrudan çıktı videosuna yazabileceğin (varsayılan olarak) 1280×720 boyutunda bir grafik oluşturur. Tek bir bağımsız değişkenle "line", "bar", "pie" ve "area" arasında geçiş yap.
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#
Analitik bağımsız değişkenlerini gösteren bir tablo:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Ultralytics YOLO model dosyasının yolu. |
analytics_type | str | 'line' | Grafik türü; yani line, bar, area veya pie. |
figsize | tuple[float, float] | (12.8, 7.2) | Analytics grafikleri için inç cinsinden şekil boyutu; (12.8, 7.2), 1280×720 boyutunda bir kare oluşturur. |
line_width | int | 2 | Çözümün çizdiği kutular, anahtar noktalar ve sayılar için çizgi kalınlığı. |
verbose | bool | True | Çözümün her kare için girdi şekli, sınıf sayıları ve işleme hızına ilişkin günlüğünü etkinleştirir. İzleme çağrısının kendisi her zaman sessizdir. |
Analytics çözümünde farklı track bağımsız değişkenlerinden de yararlanabilirsin.
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Kullanılacak izleme 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; düşük değerler daha fazla nesnenin izlenmesine olanak tanır ancak yanlış pozitifleri de içerebilir. |
iou | float | 0.7 | Çakışan algılamaları filtrelemek için Kesişim-Birleşim Oranı (IoU) eşiğini belirler. |
classes | list | None | Sonuçları sınıf dizinine göre filtreler. Örneğin, classes=[0, 2, 3] yalnızca belirtilen sınıfları izler. |
device | str | None | Çıkarım için kullanılacak cihazı belirtir (ör. cpu, cuda:0 veya 0). Kullanıcıların model yürütme için CPU, belirli bir GPU veya başka hesaplama cihazları arasında seçim yapmasına olanak tanır. |
imgsz | int or tuple | 640 | Hedef çıkarım görüntü boyutu: kare görüntüler için bir tam sayı veya bir (height, width) çifti. Boyutlar model adım değerine göre ayarlanır. |
max_det | int | 300 | Yoğun sahnelerde bir çözümün işleyeceği nesne sayısını sınırlamak için izleme öncesinde kare başına tutulan en yüksek algılama sayısı. |
quantize | int or str | None | Çıkarım hassasiyeti: PyTorch ve TorchScript modellerinde 16 (FP16) veya 32/ayarlanmamış (FP32); diğer biçimlerde hesaplama, yapıtın ve çalışma zamanının seçtiği hassasiyetle yapılır. Kullanımdan kaldırılan half bayrağının yerine geçer. |
Ayrıca aşağıdaki görselleştirme bağımsız değişkenleri de desteklenir:
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
show | bool | False | True ise açıklama eklenmiş görüntüleri veya videoları bir pencerede gösterir. Geliştirme veya test sırasında anında görsel geri bildirim almak için kullanışlıdır. |
Sonuç#
Farklı görselleştirme türlerini ne zaman ve nasıl kullanacağını anlamak, etkili veri analizi için çok önemlidir. Çizgi grafikleri, çubuk grafikler ve pasta grafikleri, verinin öyküsünü daha açık ve etkili biçimde aktarmana yardımcı olabilecek temel araçlardır. Ultralytics YOLO26 Analitik çözümü, nesne algılama ve izleme sonuçlarından bu görselleştirmeleri oluşturmanın kolay bir yolunu sunarak görsel verilerinden anlamlı içgörüler elde etmeyi kolaylaştırır.
Sık Sorulan Sorular#
Ultralytics YOLO26 Analitik ile çizgi grafiği oluşturmak için şu adımları izle:
- Bir YOLO26 modeli yükle ve video dosyanı aç.
Analyticssınıfınıanalytics_type="line"ile başlat.- Nesne sayıları gibi verilerle çizgi grafiğini güncellemek için her karede çözümü çağırarak video kareleri üzerinde yineleme yap.
- Grafiği kaydetmek için
results.plot_imöğesini bir çıktı videosuna yaz.
Başlangıç noktası olarak yukarıdaki Python örneğini kullan — örnek tüm kare döngüsünü zaten çalıştırıyor ve varsayılan
analytics_typebir çizgi grafiği.Çubuk grafik oluşturmak için Ultralytics YOLO26 kullanmanın çeşitli avantajları vardır:
- Gerçek Zamanlı Veri Görselleştirme: Dinamik güncellemeler için nesne algılama sonuçlarını çubuk grafiklere sorunsuzca entegre et.
- Kullanım Kolaylığı: Basit API ve işlevler, uygulamayı ve verileri görselleştirmeyi kolaylaştırır.
- Özelleştirme: Başlıkları, etiketleri, renkleri ve daha fazlasını özel gereksinimlerine göre düzenle.
- Verimlilik: Büyük miktarda veriyi verimli biçimde işle ve video işleme sırasında grafikleri gerçek zamanlı olarak güncelle.
Çubuk grafik oluşturmak için yukarıdaki Python örneğinde
analytics_type="bar"ayarını yap — kare döngüsünün geri kalanı aynıdır. Önizleme için Görsel Örnekler bölümüne bak.Ultralytics YOLO26, şu nedenlerle pasta grafikleri oluşturmak için mükemmel bir seçenektir:
- Nesne Algılama ile Entegrasyon: Anında içgörü elde etmek için nesne algılama sonuçlarını doğrudan pasta grafiklerine entegre et.
- Kullanıcı Dostu API: Az miktarda kodla kolayca kurulur ve kullanılır.
- Özelleştirilebilirlik: Renkler, etiketler ve daha fazlası için çeşitli özelleştirme seçenekleri sunar.
- Gerçek Zamanlı Güncellemeler: Verileri gerçek zamanlı olarak işle ve görselleştir; bu özellik video analitiği projeleri için idealdir.
Pasta grafiği oluşturmak için yukarıdaki Python örneğinde
analytics_type="pie"ayarını yap. Daha fazla bilgi için kılavuzdaki Görsel Örnekler bölümüne başvur.Evet. İzleme,
Analyticsçözümüne yerleşik olarak gelir: birden fazla nesneyi gerçek zamanlı olarak izler ve her 30 karede bir izlenen nesnelerin verileriyle grafiği yeniler; böylece çizgi grafikleri, çubuk grafikler, pasta grafikleri ve alan grafikleri canlı sayıları yansıtır. Yukarıdaki Python örneğindeki kare döngüsü tam olarak bunu yapar. Temel izleme işlevselliği hakkında bilgi edinmek için İzleme bölümüne bak.Ultralytics YOLO26, çeşitli nedenlerle OpenCV ve TensorFlow gibi diğer nesne algılama çözümlerinden ayrılır:
- Son Teknoloji Doğruluk: YOLO26; nesne algılama, örnek segmentasyonu, anlamsal segmentasyon 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 uygulamalara uygundur.
- Çeşitli Uygulamalar: Çoklu nesne izlemeyi, özel model eğitimini ve ONNX, TensorRT ve CoreML gibi farklı biçimlere dışa aktarmayı destekler.
- Kapsamlı Belgeler: Kullanıcılara her adımda yol gösterecek kapsamlı belgeler ve blog kaynakları sunar.
Daha ayrıntılı karşılaştırmalar ve kullanım örnekleri için Ultralytics Blogunu incele.