Gelişmiş Veri Görselleştirme: Ultralytics YOLO26 kullanarak ısı haritaları 🚀

Isı Haritalarına Giriş

ile oluşturulan bir ısı haritası Ultralytics YOLO26 karmaşık verileri canlı, renk kodlu bir matrise dönüştürür. Bu görsel araç, değişen veri değerlerini temsil etmek için bir renk yelpazesi kullanır; burada daha sıcak tonlar daha yüksek yoğunlukları, daha soğuk tonlar ise daha düşük değerleri ifade eder. Isı haritaları, karmaşık veri kalıplarını, korelasyonları ve anormallikleri görselleştirmede üstündür ve farklı alanlarda veri yorumlama için erişilebilir ve ilgi çekici bir yaklaşım sunar.

Watch: Heatmaps using Ultralytics YOLO26

Veri Analizi İçin Neden Isı Haritalarını Seçmelisin?

Sezgisel Veri Dağılımı Görselleştirme: Isı haritaları, karmaşık veri kümelerini kolay anlaşılır görsel formatlara dönüştürerek veri konsantrasyonunu ve dağılımını kavramayı basitleştirir.
Verimli Kalıp Tespiti: Verileri ısı haritası formatında görselleştirerek trendleri, kümeleri ve aykırı değerleri fark etmek kolaylaşır, bu da analizi ve içgörüleri hızlandırır.
Gelişmiş Mekansal Analiz ve Karar Verme: Isı haritaları, iş zekası, çevre çalışmaları ve kentsel planlama gibi sektörlerde karar verme süreçlerine yardımcı olarak mekansal ilişkileri göstermede etkilidir.

Gerçek Dünya Uygulamaları

Gerçek Dünya Uygulamaları	Ulaşım

Ultralytics YOLO26 Ulaşım Isı Haritası	Ultralytics YOLO26 Perakende Isı Haritası

Ultralytics YOLO kullanan ısı haritaları

# Run a heatmap example
yolo solutions heatmap show=True

# Pass a source video
yolo solutions heatmap source="path/to/video.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)]"

`Heatmap()` Argümanlar

İşte Heatmap argümanlarını içeren bir tablo:

Argüman	Tür	Varsayılan	Açıklama
`model`	`str`	`None`	Sayım bölgesini tanımlayan noktaların listesi.
`colormap`	`int`	`cv2.COLORMAP_DEEPGREEN`	Tüm park koordinat verilerini içeren JSON dosyasına giden yol.
`show_in`	`bool`	`True`	Video akışında çıkış (out) sayılarını gösterip göstermeyeceğini kontrol eden bayrak.
`show_out`	`bool`	`True`	Grafik türü, örn.
`region`	`list`	`'[(20, 400), (1260, 400)]'`	Video akışında giriş (in) sayılarını gösterip göstermeyeceğini kontrol eden bayrak.

Ayrıca track çözümünde farklı Heatmap argümanlarını da uygulayabilirsin.

Argüman	Tür	Varsayılan	Açıklama
`tracker`	`str`	`'botsort.yaml'`	Kullanılacak takip algoritmasını belirtir, örn. `bytetrack.yaml`veya `botsort.yaml`.
`conf`	`float`	`0.1`	Tespitler için güven eşiğini ayarlar; daha düşük değerler daha fazla nesnenin takip edilmesine izin verir ancak hatalı pozitifleri içerebilir.
`iou`	`float`	`0.7`	eşiğini ayarlar. Tekrar eden tespitlerin elenmesini kontrol eder.Intersection over Union (IoU) çakışan tespitleri filtrelemek için eşik.
`classes`	`list`	`None`	Sonuçları sınıf dizinine göre filtreler. Örneğin, `classes=[0, 2, 3]` yalnızca belirtilen sınıfları takip eder.
`verbose`	`bool`	`True`	Takip sonuçlarının gösterimini kontrol eder ve takip edilen nesnelerin görsel bir çıktısını sağlar.
`device`	`str`	`None`	Çıkarım için cihazı belirtir (örneğin, `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, desteklenen görselleştirme argümanları aşağıda listelenmiştir:

Argüman	Tür	Varsayılan	Açıklama
`show`	`bool`	`False`	Eğer `True`, ek açıklamalı görüntüleri veya videoları bir pencerede görüntüler. Geliştirme veya test sırasında anında görsel geri bildirim için kullanışlıdır.
`line_width`	`int or None`	`None`	Sınırlayıcı kutuların çizgi genişliğini belirtir. Eğer `None`, çizgi genişliği görüntü boyutuna göre otomatik ayarlanır. Netlik için görsel özelleştirme sağlar.
`show_conf`	`bool`	`True`	Her tespit için güven puanını etiketin yanında görüntüler. Modelin her tespit için kesinliği hakkında içgörü sağlar.
`show_labels`	`bool`	`True`	Görsel çıktıda her tespit için etiketleri görüntüler. Tespit edilen nesnelerin anında anlaşılmasını sağlar.

Isı Haritası COLORMAP'leri

Renk Haritası Adı	Açıklama
`cv::COLORMAP_AUTUMN`	Autumn renk haritası
`cv::COLORMAP_BONE`	Bone renk haritası
`cv::COLORMAP_JET`	Jet renk haritası
`cv::COLORMAP_WINTER`	Winter renk haritası
`cv::COLORMAP_RAINBOW`	Rainbow renk haritası
`cv::COLORMAP_OCEAN`	Ocean renk haritası
`cv::COLORMAP_SUMMER`	Summer renk haritası
`cv::COLORMAP_SPRING`	Spring renk haritası
`cv::COLORMAP_COOL`	Cool renk haritası
`cv::COLORMAP_HSV`	HSV (Hue, Saturation, Value) renk haritası
`cv::COLORMAP_PINK`	Pink renk haritası
`cv::COLORMAP_HOT`	Hot renk haritası
`cv::COLORMAP_PARULA`	Parula renk haritası
`cv::COLORMAP_MAGMA`	Magma renk haritası
`cv::COLORMAP_INFERNO`	Inferno renk haritası
`cv::COLORMAP_PLASMA`	Plasma renk haritası
`cv::COLORMAP_VIRIDIS`	Viridis renk haritası
`cv::COLORMAP_CIVIDIS`	Cividis renk haritası
`cv::COLORMAP_TWILIGHT`	Twilight renk haritası
`cv::COLORMAP_TWILIGHT_SHIFTED`	Shifted Twilight renk haritası
`cv::COLORMAP_TURBO`	Turbo renk haritası
`cv::COLORMAP_DEEPGREEN`	Deep Green renk haritası

Bu renk haritaları, farklı renk temsilleriyle verileri görselleştirmek için yaygın olarak kullanılır.

Ultralytics YOLO26'da Isı Haritaları Nasıl Çalışır?

Isı haritası çözümü Ultralytics YOLO26 içindeki ObjectCounter sınıfını genişleterek video akışlarındaki hareket modellerini oluşturur ve görselleştirir. Başlatıldığında, çözüm nesneler kare boyunca hareket ettikçe güncellenen boş bir ısı haritası katmanı oluşturur.

Tespit edilen her nesne için çözüm şunları yapar:

YOLO26'nın takip yeteneklerini kullanarak nesneyi kareler boyunca takip eder
Nesnenin konumundaki ısı haritası yoğunluğunu günceller
Yoğunluk değerlerini görselleştirmek için seçilen bir renk haritasını uygular
Renkli ısı haritasını orijinal karenin üzerine bindirir

Sonuç, zamanla oluşan ve video verilerindeki trafik modellerini, kalabalık hareketlerini veya diğer mekansal davranışları ortaya çıkaran dinamik bir görselleştirmedir.

SSS

Ultralytics YOLO26 ısı haritalarını nasıl oluşturur ve faydaları nelerdir?

Ultralytics YOLO26, karmaşık verileri, farklı tonların veri yoğunluklarını temsil ettiği renk kodlu bir matrise dönüştürerek ısı haritaları oluşturur. Isı haritaları, verilerdeki kalıpları, korelasyonları ve anormallikleri görselleştirmeyi kolaylaştırır. Daha sıcak tonlar daha yüksek değerleri, daha soğuk tonlar ise daha düşük değerleri belirtir. Temel faydaları arasında sezgisel veri dağılımı görselleştirme, verimli kalıp tespiti ve karar verme için gelişmiş mekansal analiz yer alır. Daha fazla ayrıntı ve yapılandırma seçenekleri için Isı Haritası Yapılandırmasıçıkarım argümanları

Ultralytics YOLO26'yı nesne takibi yapmak ve aynı anda ısı haritası oluşturmak için kullanabilir miyim?

Evet, Ultralytics YOLO26 nesne takibini ve ısı haritası oluşturmayı eş zamanlı olarak destekler. Bu, nesne takip modelleriyle entegre edilmiş Heatmap çözümü aracılığıyla başarılabilir. Bunu yapmak için, ısı haritası nesnesini başlatman ve YOLO26'nın takip yeteneklerini kullanman gerekir. İşte basit bir örnek:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
heatmap = solutions.Heatmap(colormap=cv2.COLORMAP_PARULA, show=True, model="yolo26n.pt")

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    results = heatmap(im0)
cap.release()
cv2.destroyAllWindows()

Daha fazla rehberlik için şu sayfaya göz at: Takip ModuEğit Modu

Ultralytics YOLO26 ısı haritalarını çıkarım yöntemlerine bir alternatif sunar. veya Matplotlib gibi diğer veri görselleştirme araçlarından farklı kılan nedir?

Ultralytics YOLO26 ısı haritaları, gerçek zamanlı veri analizi için uçtan uca bir çözüm sağlayan object detection ve takip modelleriyle entegrasyon için özel olarak tasarlanmıştır. OpenCV veya Matplotlib gibi genel görselleştirme araçlarının aksine, YOLO26 ısı haritaları performans ve otomatik işleme için optimize edilmiştir; kalıcı takip, azalma faktörü ayarı ve gerçek zamanlı video bindirme gibi özellikleri destekler. YOLO26'nın benzersiz özellikleri hakkında daha fazla bilgi için şu sayfayı ziyaret et: Ultralytics YOLO26'ya Giriş.

Ultralytics YOLO26 kullanarak ısı haritalarında yalnızca belirli nesne sınıflarını nasıl görselleştirebilirim?

Belirli nesne sınıflarını, YOLO modelinin track() yönteminde istenen sınıfları belirterek görselleştirebilirsin. Örneğin, yalnızca arabaları ve kişileri görselleştirmek istiyorsan (sınıf dizinlerinin 0 ve 2 olduğunu varsayarsak), classes parametresini buna göre ayarlayabilirsin.

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
heatmap = solutions.Heatmap(show=True, model="yolo26n.pt", classes=[0, 2])

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    results = heatmap(im0)
cap.release()
cv2.destroyAllWindows()

İşletmeler neden veri analizinde ısı haritası oluşturma için Ultralytics YOLO26'yı seçmeli?

Ultralytics YOLO26, gelişmiş nesne tespiti ve gerçek zamanlı ısı haritası oluşturmanın kusursuz entegrasyonunu sunar, bu da onu verileri daha etkili bir şekilde görselleştirmek isteyen işletmeler için ideal bir seçim haline getirir. Temel avantajlar arasında sezgisel veri dağılımı görselleştirme, verimli kalıp tespiti ve daha iyi karar verme için gelişmiş mekansal analiz yer alır. Ek olarak, YOLO26'nın kalıcı takip, özelleştirilebilir renk haritaları ve çeşitli dışa aktarma formatları desteği gibi en son özellikleri, onu kapsamlı veri analizi için TensorFlow ve OpenCV gibi diğer araçlardan üstün kılar. İş uygulamaları hakkında daha fazla bilgiyi şurada bulabilirsin: Ultralytics Planları.

Contributors

GLglenn-jocher¹⁹ RIRizwanMunawar¹⁹ MAMatthewNoyce² PDpderrenger¹ IVIvorZhu331¹ AYAyushExel¹ YOYOLOv5-Magic¹

Created Dec 6, 2023Updated 3 weeks ago