Gelişmiş Veri Görselleştirme: Ultralytics YOLO26 kullanarak Isı Haritaları 🚀
Isı Haritalarına Giriş
Ultralytics YOLO26 ile oluşturulan bir ısı haritası, karmaşık verileri canlı, renk kodlu bir matrise dönüştürür. Bu görsel araç, farklı veri değerlerini temsil etmek için bir renk yelpazesi kullanır; burada daha sıcak tonlar yüksek yoğunlukları, daha soğuk tonlar ise düşük değerleri ifade eder. Isı haritaları, karmaşık veri desenlerini, korelasyonları ve anomalileri görselleştirmede üstünlük sağlar ve farklı alanlarda veri yorumlama için erişilebilir ve ilgi çekici bir yaklaşım sunar.
Watch: Heatmaps using Ultralytics YOLO26
Veri Analizi için Neden Isı Haritalarını Seçmelisin?
- Sezgisel Veri Dağılımı Görselleştirmesi: Isı haritaları, karmaşık veri kümelerini anlaşılması kolay görsel formatlara dönüştürerek veri yoğunluğu ve dağılımının kavranmasını basitleştirir.
- Verimli Desen Tespiti: Verileri ısı haritası formatında görselleştirerek trendleri, kümeleri ve aykırı değerleri fark etmek kolaylaşır, bu da daha hızlı analiz ve içgörü sağlar.
- Geliştirilmiş Mekansal Analiz ve Karar Verme: Isı haritaları, iş zekası, çevresel çalışmalar ve şehir planlaması gibi sektörlerde mekansal ilişkileri göstermede ve karar verme süreçlerine yardımcı olmada oldukça etkilidir.
Gerçek Dünya Uygulamaları
| Ulaşım | Perakende |
|---|---|
 |  |
| Ultralytics YOLO26 Ulaşım Isı Haritası | Ultralytics YOLO26 Perakende Isı Haritası |
# 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() Argümanları
İşte Heatmap argümanlarını içeren bir tablo:
| Argüman | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Bir Ultralytics YOLO model dosyasına giden yol. |
colormap | int | cv2.COLORMAP_DEEPGREEN | Isı haritası için kullanılacak renk haritası. |
show_in | bool | True | Video akışında giriş sayılarını gösterip göstermemeyi kontrol eden bayrak. |
show_out | bool | True | Video akışında çıkış sayılarını gösterip göstermemeyi kontrol eden bayrak. |
region | list | '[(20, 400), (1260, 400)]' | Sayım bölgesini tanımlayan noktalar listesi. |
You can also apply different track arguments in the Heatmap solution.
| Argüman | Tür | Varsayılan | Açıklama |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Kullanılacak takip algoritmasını belirtir, örneğin bytetrack.yaml veya botsort.yaml. |
conf | float | 0.1 | Tespitler için güven eşiğini belirler; daha düşük değerler daha fazla nesnenin takip edilmesine izin verir ancak hatalı pozitifleri içerebilir. |
iou | float | 0.7 | Çakışan tespitleri filtrelemek için Birleşim Üzerinde Kesişim (IoU) eşiğini belirler. |
classes | list | None | Sonuçları sınıf dizinine göre filtreler. Örneğin, classes=[0, 2, 3] sadece belirtilen sınıfları takip eder. |
verbose | bool | True | Takip edilen nesnelerin görsel bir çıktısını sağlayarak takip sonuçlarının görüntülenmesini kontrol eder. |
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 ise, 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 kalınlığını belirtir. None ise, çizgi kalınlığı otomatik olarak görüntü boyutuna göre ayarlanır. Netlik için görsel özelleştirme sağlar. |
show_conf | bool | True | Etiketle birlikte her tespit için güven puanını görüntüler. Her bir tespit için modelin kesinliği hakkında fikir verir. |
show_labels | bool | True | Görsel çıktıda her tespit için etiketleri görüntüler. Tespit edilen nesnelerin anında anlaşılmasını sağlar. |
Isı Haritası RENK HARİTALARI
| Renk Haritası Adı | Açıklama |
|---|---|
cv::COLORMAP_AUTUMN | Sonbahar renk haritası |
cv::COLORMAP_BONE | Kemik rengi haritası |
cv::COLORMAP_JET | Jet renk haritası |
cv::COLORMAP_WINTER | Kış renk haritası |
cv::COLORMAP_RAINBOW | Gökkuşağı renk haritası |
cv::COLORMAP_OCEAN | Okyanus renk haritası |
cv::COLORMAP_SUMMER | Yaz renk haritası |
cv::COLORMAP_SPRING | Bahar renk haritası |
cv::COLORMAP_COOL | Soğuk renk haritası |
cv::COLORMAP_HSV | HSV (Ton, Doygunluk, Değer) renk haritası |
cv::COLORMAP_PINK | Pembe renk haritası |
cv::COLORMAP_HOT | Sıcak renk haritası |
cv::COLORMAP_PARULA | Parula renk haritası |
cv::COLORMAP_MAGMA | Magma renk haritası |
cv::COLORMAP_INFERNO | Inferno renk haritası |
cv::COLORMAP_PLASMA | Plazma renk haritası |
cv::COLORMAP_VIRIDIS | Viridis renk haritası |
cv::COLORMAP_CIVIDIS | Cividis renk haritası |
cv::COLORMAP_TWILIGHT | Alacakaranlık renk haritası |
cv::COLORMAP_TWILIGHT_SHIFTED | Kaydırılmış Alacakaranlık renk haritası |
cv::COLORMAP_TURBO | Turbo renk haritası |
cv::COLORMAP_DEEPGREEN | Koyu Yeşil renk haritası |
Bu renk haritaları, verileri farklı renk gösterimleriyle görselleştirmek için yaygın olarak kullanılır.
Ultralytics YOLO26'da Isı Haritaları Nasıl Çalışır
Ultralytics YOLO26'daki Isı Haritası çözümü, video akışlarındaki hareket desenlerini oluşturmak ve görselleştirmek için ObjectCounter sınıfını genişletir. Başlatıldığında çözüm, nesneler kare boyunca hareket ettikçe güncellenen boş bir ısı haritası katmanı oluşturur.
Algılanan her nesne için çözüm:
- YOLO26'nın takip yeteneklerini kullanarak nesneyi kareler boyunca takip eder
- Nesnenin konumundaki ısı haritası yoğunluğunu günceller
- Yoğunluk değerlerini görselleştirmek için seçilen renk haritasını uygular
- Renkli ısı haritasını orijinal karenin üzerine bindirir
Sonuç, zamanla biriken ve video verilerindeki trafik modellerini, kalabalık hareketlerini veya diğer mekansal davranışları ortaya çıkaran dinamik bir görselleştirmedir.
SSS
Ultralytics YOLO26 ısı haritalarını nasıl oluşturur ve bunların faydaları nelerdir?
Ultralytics YOLO26, karmaşık verileri farklı tonların veri yoğunluklarını temsil ettiği renk kodlu bir matrise dönüştürerek ısı haritaları oluşturur. Isı haritaları, verilerdeki desenleri, korelasyonları ve anomalileri görselleştirmeyi kolaylaştırır. Daha sıcak tonlar daha yüksek değerleri, daha soğuk tonlar ise daha düşük değerleri temsil eder. Birincil faydaları arasında sezgisel veri dağılımı görselleştirmesi, verimli desen tespiti ve karar verme için geliştirilmiş mekansal analiz yer alır. Daha fazla ayrıntı ve yapılandırma seçenekleri için Isı Haritası Yapılandırması bölümüne bakabilirsin.
Nesne takibi yapmak ve aynı anda bir ısı haritası oluşturmak için Ultralytics YOLO26 kullanabilir miyim?
Evet, Ultralytics YOLO26 nesne takibi ve ısı haritası oluşturmayı eş zamanlı olarak destekler. Bu, nesne takip modelleriyle entegre edilmiş Heatmap çözümü aracılığıyla gerçekleştirilebilir. 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 Takip Modu sayfasına göz atabilirsin.
Ultralytics YOLO26 ısı haritalarını OpenCV veya Matplotlib gibi diğer veri görselleştirme araçlarından farklı kılan nedir?
Ultralytics YOLO26 ısı haritaları, kendi nesne algılama ve takip modelleriyle entegrasyon için özel olarak tasarlanmıştır ve gerçek zamanlı veri analizi için uçtan uca bir çözüm sunar. OpenCV veya Matplotlib gibi genel görselleştirme araçlarının aksine, YOLO26 ısı haritaları performans ve otomatik işleme için optimize edilmiştir; kalıcı takip, bozulma faktörü ayarı ve gerçek zamanlı video bindirme gibi özellikleri destekler. YOLO26'nın benzersiz özellikleri hakkında daha fazla bilgi için Ultralytics YOLO26'ya Giriş sayfasını ziyaret edebilirsin.
Ultralytics YOLO26 kullanarak ısı haritalarında sadece belirli nesne sınıflarını nasıl görselleştirebilirim?
YOLO modelinin track() metodunda istenen sınıfları belirterek belirli nesne sınıflarını görselleştirebilirsin. Örneğin, sadece arabaları ve kişileri görselleştirmek istiyorsan (sınıf indekslerinin 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 veri analizinde ısı haritası oluşturmak için neden Ultralytics YOLO26'yı seçmeli?
Ultralytics YOLO26, gelişmiş nesne algılama ve gerçek zamanlı ısı haritası oluşturmanın sorunsuz entegrasyonunu sunarak verileri daha etkili bir şekilde görselleştirmek isteyen işletmeler için ideal bir seçimdir. Temel avantajları arasında sezgisel veri dağılımı görselleştirmesi, verimli desen tespiti ve daha iyi karar verme için geliştirilmiş mekansal analiz yer alır. Ayrıca, YOLO26'nın kalıcı takip, özelleştirilebilir renk haritaları ve çeşitli dışa aktarma formatları desteği gibi en son teknoloji özellikleri, onu kapsamlı veri analizi için TensorFlow ve OpenCV gibi diğer araçlardan üstün kılar. İş uygulamaları hakkında daha fazla bilgiyi Ultralytics Planları sayfasından edinebilirsin.