Gelişmiş Veri Görselleştirme: Ultralytics YOLO11 kullanarak ısı haritaları 🚀

Isı Haritalarına Giriş

ile oluşturulan bir ısı haritası Ultralytics YOLO11 karmaşık verileri canlı, renk kodlu bir matrise dönüştürür. Bu görsel araç, değişen veri değerlerini temsil etmek için daha sıcak tonların daha yüksek yoğunlukları ve daha soğuk tonların daha düşük değerleri belirttiği bir renk yelpazesi kullanır. Isı haritaları, karmaşık veri modellerini, korelasyonları ve anomalileri görselleştirmede mükemmeldir ve çeşitli alanlarda veri yorumlamasına erişilebilir ve ilgi çekici bir yaklaşım sunar.

İzle: Isı haritaları kullanarak Ultralytics YOLO11

Veri Analizi için Neden Isı Haritalarını Seçmelisiniz?

• Sezgisel Veri Dağılımı Görselleştirme: Isı haritaları, karmaşık veri kümelerini anlaşılması kolay görsel biçimlere dönüştürerek veri yoğunluğu ve dağılımının anlaşılmasını kolaylaştırır.
• Etkili Örüntü Tespiti: Verileri ısı haritası biçiminde görselleştirerek eğilimleri, kümeleri ve aykırı değerleri tespit etmek daha kolay hale gelir ve daha hızlı analiz ve içgörü sağlar.
• Gelişmiş Mekânsal Analiz ve Karar Alma: Isı haritaları mekânsal ilişkilerin gösterilmesinde etkilidir ve iş zekâsı, çevre çalışmaları ve şehir planlama gibi sektörlerde karar alma süreçlerine yardımcı olur.

Gerçek Dünya Uygulamaları

Ulaşım	Perakende
Ultralytics YOLO11 Ulaşım Isı Haritası	Ultralytics YOLO11 Perakende Isı Haritası

# Run a heatmap example
yolo solutions heatmap show=True

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

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("Path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

# Video writer
video_writer = cv2.VideoWriter("heatmap_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# In case you want to apply object counting + heatmaps, you can pass region points.
# region_points = [(20, 400), (1080, 400)]  # Define line points
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]  # Define region points
# region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360), (20, 400)]  # Define polygon points

# Init heatmap
heatmap = solutions.Heatmap(
    show=True,  # Display the output
    model="yolo11n.pt",  # Path to the YOLO11 model file
    colormap=cv2.COLORMAP_PARULA,  # Colormap of heatmap
    # region=region_points,  # If you want to do object counting with heatmaps, you can pass region_points
    # classes=[0, 2],  # If you want to generate heatmap for specific classes i.e person and car.
    # show_in=True,  # Display in counts
    # show_out=True,  # Display out counts
    # line_width=2,  # Adjust the line width for bounding boxes and text display
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    im0 = heatmap.generate_heatmap(im0)
    video_writer.write(im0)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Argümanlar Heatmap()

Argümanlar model.track

Isı Haritası COLORMAPs

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

SSS

Ultralytics YOLO11 ısı haritalarını nasıl oluşturur ve bunların faydaları nelerdir?

Ultralytics YOLO11 karmaşık verileri, farklı tonların veri yoğunluklarını temsil ettiği renk kodlu bir matrise dönüştürerek ısı haritaları oluşturur. Isı haritaları, verilerdeki desenleri, korelasyonları ve anormallikleri görselleştirmeyi kolaylaştırır. Daha sıcak tonlar daha yüksek değerleri gösterirken, daha soğuk tonlar daha düşük değerleri temsil eder. Başlıca faydaları arasında veri dağılımının sezgisel olarak görselleştirilmesi, etkili örüntü tespiti ve karar verme için gelişmiş uzamsal analiz yer alır. Daha fazla ayrıntı ve yapılandırma seçenekleri için Isı Haritası Yapılandırması bölümüne bakın.

Nesne takibi yapmak ve aynı anda bir ısı haritası oluşturmak için Ultralytics YOLO11 adresini kullanabilir miyim?

Evet, Ultralytics YOLO11 nesne izleme ve ısı haritası oluşturmayı aynı anda destekler. Bu, onun aracılığıyla elde edilebilir Heatmap çözümü nesne izleme modelleri ile entegre edilmiştir. Bunu yapmak için, ısı haritası nesnesini başlatmanız ve YOLO11'un izleme özelliklerini kullanmanız gerekir. İşte basit bir örnek:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap = solutions.Heatmap(colormap=cv2.COLORMAP_PARULA, show=True, model="yolo11n.pt")

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = heatmap.generate_heatmap(im0)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

Daha fazla rehberlik için İzleme Modu sayfasını kontrol edin.

Ultralytics YOLO11 ısı haritalarını OpenCV veya Matplotlib gibi diğer veri görselleştirme araçlarından farklı kılan nedir?

Ultralytics YOLO11 ısı haritaları, nesne algılama ve izleme 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, YOLO11 ısı haritaları performans ve otomatik işleme için optimize edilmiştir ve kalıcı izleme, bozunma faktörü ayarı ve gerçek zamanlı video kaplaması gibi özellikleri destekler. YOLO11 'un benzersiz özellikleri hakkında daha fazla bilgi için Ultralytics YOLO11 Giriş bölümünü ziyaret edin.

Ultralytics YOLO11 kullanarak ısı haritalarında yalnızca belirli nesne sınıflarını nasıl görselleştirebilirim?

'de istediğiniz sınıfları belirterek belirli nesne sınıflarını görselleştirebilirsiniz. track() YOLO yöntemini kullanabilirsiniz. Örneğin, yalnızca arabaları ve kişileri görselleştirmek istiyorsanız (sınıf indekslerinin 0 ve 2 olduğunu varsayarak) classes parametresini buna göre ayarlayın.

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap = solutions.Heatmap(show=True, model="yolo11n.pt", classes=[0, 2])

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    im0 = heatmap.generate_heatmap(im0)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

İşletmeler veri analizinde ısı haritası oluşturmak için neden Ultralytics YOLO11 adresini seçmelidir?

Ultralytics YOLO11 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, etkili örüntü tespiti ve daha iyi karar verme için gelişmiş mekansal analiz yer alır. Ayrıca, YOLO11'un kalıcı izleme, özelleştirilebilir renk haritaları ve çeşitli dışa aktarma formatları desteği gibi son teknoloji özellikleri, onu aşağıdaki gibi diğer araçlardan üstün kılar TensorFlow ve kapsamlı veri analizi için OpenCV. Ultralytics Plans adresinden iş uygulamaları hakkında daha fazla bilgi edinin.

📅1 yıl önce oluşturuldu ✏️ 17 gün önce güncellendi

Yorumlar