Hình ảnh hóa dữ liệu nâng cao: Bản đồ nhiệt sử dụng Ultralytics YOLO11 🚀

Giới thiệu về Heatmaps

Bản đồ nhiệt được tạo bằng Ultralytics YOLO11 chuyển đổi dữ liệu phức tạp thành ma trận mã màu rực rỡ. Công cụ trực quan này sử dụng phổ màu để biểu diễn các giá trị dữ liệu khác nhau, trong đó tông màu ấm hơn biểu thị cường độ cao hơn và tông màu lạnh hơn biểu thị giá trị thấp hơn. Bản đồ nhiệt xuất sắc trong việc trực quan hóa các mẫu dữ liệu phức tạp, mối tương quan và bất thường, cung cấp phương pháp tiếp cận dễ tiếp cận và hấp dẫn để diễn giải dữ liệu trên nhiều miền khác nhau.

Xem: Bản đồ nhiệt sử dụng Ultralytics YOLO11

Tại sao chọn bản đồ nhiệt để phân tích dữ liệu?

• Trực quan hóa phân phối dữ liệu trực quan: Bản đồ nhiệt đơn giản hóa việc hiểu tập trung và phân phối dữ liệu, chuyển đổi các bộ dữ liệu phức tạp thành các định dạng trực quan dễ hiểu.
• Phát hiện mẫu hiệu quả: Bằng cách trực quan hóa dữ liệu ở định dạng bản đồ nhiệt, việc phát hiện xu hướng, cụm và ngoại lệ trở nên dễ dàng hơn, tạo điều kiện phân tích và hiểu biết nhanh hơn.
• Tăng cường phân tích không gian và ra quyết định: Bản đồ nhiệt là công cụ minh họa các mối quan hệ không gian, hỗ trợ quá trình ra quyết định trong các lĩnh vực như kinh doanh thông minh, nghiên cứu môi trường và quy hoạch đô thị.

Ứng dụng trong thế giới thực

Giao thông vận tải	Bán lẻ
Ultralytics Bản đồ nhiệt giao thông YOLO11	Ultralytics Bản đồ nhiệt bán lẻ YOLO11

# 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, 404), (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, 404)]  # Define line points
# region_points = [(20, 400), (1080, 404), (1080, 360), (20, 360)]  # Define region points
# region_points = [(20, 400), (1080, 404), (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()

Lập luận Heatmap()

Lập luận model.track

Bản đồ nhiệt COLORMAPs

Các bản đồ màu này thường được sử dụng để trực quan hóa dữ liệu với các biểu diễn màu khác nhau.

FAQ

Làm thế nào Ultralytics YOLO11 tạo bản đồ nhiệt và lợi ích của chúng là gì?

Ultralytics YOLO11 tạo ra bản đồ nhiệt bằng cách chuyển đổi dữ liệu phức tạp thành ma trận mã màu, trong đó các sắc thái khác nhau biểu thị cường độ dữ liệu. Bản đồ nhiệt giúp dễ dàng hình dung các mẫu, mối tương quan và bất thường trong dữ liệu. Sắc thái ấm hơn biểu thị các giá trị cao hơn, trong khi tông màu lạnh hơn biểu thị các giá trị thấp hơn. Các lợi ích chính bao gồm hình dung trực quan về phân phối dữ liệu, phát hiện mẫu hiệu quả và phân tích không gian nâng cao để đưa ra quyết định. Để biết thêm chi tiết và tùy chọn cấu hình, hãy tham khảo phần Cấu hình bản đồ nhiệt .

Tôi có thể sử dụng Ultralytics YOLO11 có thể thực hiện theo dõi đối tượng và tạo bản đồ nhiệt cùng lúc không?

Đúng, Ultralytics YOLO11 hỗ trợ theo dõi đối tượng và tạo bản đồ nhiệt đồng thời. Điều này có thể đạt được thông qua Heatmap giải pháp tích hợp với các mô hình theo dõi đối tượng. Để thực hiện, bạn cần khởi tạo đối tượng heatmap và sử dụng khả năng theo dõi của YOLO11. Sau đây là một ví dụ đơn giản:

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()

Để được hướng dẫn thêm, hãy kiểm tra trang Chế độ theo dõi .

Điều gì làm cho Ultralytics Bản đồ nhiệt YOLO11 có khác gì so với các công cụ trực quan hóa dữ liệu khác như OpenCV hoặc Matplotlib không?

Ultralytics Bản đồ nhiệt YOLO11 được thiết kế riêng để tích hợp với các mô hình phát hiện và theo dõi đối tượng , cung cấp giải pháp đầu cuối cho phân tích dữ liệu thời gian thực. Không giống như các công cụ trực quan hóa chung như OpenCV hoặc Matplotlib, bản đồ nhiệt YOLO11 được tối ưu hóa cho hiệu suất và xử lý tự động, hỗ trợ các tính năng như theo dõi liên tục, điều chỉnh hệ số suy giảm và lớp phủ video thời gian thực. Để biết thêm thông tin về các tính năng độc đáo của YOLO11, hãy truy cập Ultralytics YOLO11 Introduction .

Làm thế nào tôi có thể trực quan hóa chỉ các lớp đối tượng cụ thể trong bản đồ nhiệt bằng cách sử dụng Ultralytics YOLO11 là gì?

Bạn có thể hình dung các lớp đối tượng cụ thể bằng cách chỉ định các lớp mong muốn trong track() Phương pháp của YOLO mẫu. Ví dụ: nếu bạn chỉ muốn hình dung ô tô và người (giả sử chỉ số lớp của họ là 0 và 2), bạn có thể đặt classes tham số cho phù hợp.

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()

Tại sao doanh nghiệp nên lựa chọn Ultralytics YOLO11 để tạo bản đồ nhiệt trong phân tích dữ liệu?

Ultralytics YOLO11 cung cấp khả năng tích hợp liền mạch giữa phát hiện đối tượng nâng cao và tạo bản đồ nhiệt theo thời gian thực, khiến nó trở thành lựa chọn lý tưởng cho các doanh nghiệp muốn trực quan hóa dữ liệu hiệu quả hơn. Các lợi thế chính bao gồm trực quan hóa phân phối dữ liệu, phát hiện mẫu hiệu quả và phân tích không gian nâng cao để đưa ra quyết định tốt hơn. Ngoài ra, các tính năng tiên tiến của YOLO11 như theo dõi liên tục, bản đồ màu có thể tùy chỉnh và hỗ trợ nhiều định dạng xuất khác nhau khiến nó vượt trội hơn các công cụ khác như TensorFlow và OpenCV để phân tích dữ liệu toàn diện. Tìm hiểu thêm về các ứng dụng kinh doanh tại Ultralytics Plans .

📅 Được tạo cách đây 11 tháng ✏️ Đã cập nhật cách đây 7 ngày

Ý kiến