Ultralytics YOLO26 如何从视频生成热力图？

Ultralytics YOLO26 会跨视频帧跟踪目标，并在每个跟踪目标的位置累积强度值，然后对结果进行着色并与原始帧混合。目标频繁出现或长时间停留的区域会累积更高的强度，并以更暖的颜色呈现。如需了解配置选项，请参阅 Heatmap() 参数部分。

如何将热力图输出保存为视频文件？

使用 OpenCV 的 cv2.VideoWriter，并按照主示例所示，为每个处理后的帧写入 results.plot_im。plot_im 属性包含已应用热力图叠加层的帧。

我可以将热力图与目标计数结合使用吗？

可以。向 Heatmap() 传入 region 参数，并指定线、矩形或多边形点，方案就会在构建热力图的同时，对进入和离开该区域的目标进行计数。返回结果包括 in_count、out_count 以及按类别统计的计数。有关区域配置的详细信息，请参阅目标计数指南。

Ultralytics YOLO26 热力图与 OpenCV 或 Matplotlib 等其他数据可视化工具相比有何不同？

Ultralytics YOLO26 热力图将目标检测、跟踪、强度累积和叠加渲染整合到一次调用中，而 OpenCV 或 Matplotlib 等通用工具则需要你自行搭建这套流程。该方案可实时处理视频流，并开箱即用地支持持久跟踪和可自定义颜色映射。有关底层模型的详细信息，请参阅 YOLO26 模型页面。

使用 Ultralytics YOLO26 进行目标跟踪热力图分析#

Q: 如何使用 Ultralytics YOLO26 在热力图中仅可视化特定目标类别？

向 Heatmap() 传入 classes 参数，并指定你要保留的类别索引。例如，classes=[0, 2] 只根据人员和汽车生成热力图（COCO 类别索引为 0 和 2）：

Heatmap 解决方案集成于 Ultralytics YOLO26 中，可跨视频帧跟踪目标，并将其累计移动强度叠加到每一帧上，因此繁忙区域会以暖色发光，而安静区域则保持冷色。该方案基于 YOLO26 目标跟踪，只需一行 Python 代码或一条 CLI 命令，即可将任意视频转换为空间活动图，展示交通流、人员移动和停留区域。

Watch: How to Create Heatmaps with Ultralytics YOLO26 | Visualize Object Activity | VisionAI in Retail 🚀

为什么要在视频分析中使用热力图？#

一眼发现活动模式： 跟踪目标停留的区域会不断累积强度，因此无需逐帧手动检查，就能突出高流量通道、热门货架或人群拥堵点。
内置跟踪功能： 该方案在内部运行 YOLO26 检测和跟踪，因此无需另外搭建跟踪流程。
在同一遍处理中完成计数： 传入 region，即可在构建热力图的同时，对进入和离开区域的目标进行计数，在一次运行中完成两项分析任务。

实际应用#

交通运输	零售

Ultralytics YOLO 交通热力图	Ultralytics YOLO 零售热力图

如何使用 Ultralytics YOLO 生成热力图#

你可以通过 CLI 或 Python，在视频源上运行 Heatmap 解决方案。下面的 Python 示例会将处理后的帧写入输出视频文件：

使用 Ultralytics YOLO 生成热力图

# 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()` 参数#

下面是 Heatmap 参数表：

参数	类型	默认值	描述
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径。
`colormap`	`int`	`cv2.COLORMAP_DEEPGREEN`	用于热力图的颜色映射。
`show_in`	`bool`	`True`	控制是否在视频流中显示进入计数的标志。
`show_out`	`bool`	`True`	控制是否在视频流中显示离开计数的标志。
`region`	`list` 或 `dict`	`None`	定义感兴趣区域的点，可以是 `(x, y)` 元组列表，也可以是将区域名称映射到多区域点列表的字典（仅限 `RegionCounter`）。当 `None` 时，需要区域的解决方案会回退到预定义的默认区域。
`line_width`	`int`	`2`	解决方案绘制的框、关键点和计数的线条粗细。
`verbose`	`bool`	`True`	启用解决方案逐帧记录输入形状、类别计数和处理速度的日志。跟踪调用本身始终保持静默。

你还可以在 Heatmap 解决方案中应用不同的 track 参数。

参数	类型	默认值	描述
`tracker`	`str`	`'botsort.yaml'`	指定要使用的跟踪算法。内置选项：`botsort.yaml`、`bytetrack.yaml`、`ocsort.yaml`、`deepocsort.yaml`、`fasttrack.yaml`、`tracktrack.yaml`。
`conf`	`float`	`0.25`	设置检测的置信度阈值；较低的值允许跟踪更多对象，但可能包含误报。
`iou`	`float`	`0.7`	设置用于过滤重叠检测结果的交并比（IoU）阈值。
`classes`	`list`	`None`	按类别索引过滤结果。例如，`classes=[0, 2, 3]` 仅跟踪指定类别。
`device`	`str`	`None`	指定推理设备（例如 `cpu`、`cuda:0` 或 `0`）。允许用户在 CPU、特定 GPU 或其他计算设备之间进行选择，以执行模型。
`imgsz`	`int or tuple`	`640`	目标推理图像大小：用于正方形图像的整数或 `(height, width)` 对。形状会根据模型步幅进行调整。
`max_det`	`int`	`300`	在跟踪前每帧保留的最大检测数量，用于限制解决方案在密集场景中处理的对象数量。
`quantize`	`int or str`	`None`	推理精度：对于 PyTorch 和 TorchScript 模型，使用 `16` (FP16) 或 `32`/不设置 (FP32)；其他格式则在其构件和运行时所选的精度下计算。替换了已弃用的 `half` 标志。

此外，支持的可视化参数如下所列：

参数	类型	默认值	描述
`show`	`bool`	`False`	如果为 `True`，则会在窗口中显示带标注的图像或视频。适用于开发或测试期间获取即时视觉反馈。
`show_conf`	`bool`	`True`	在每个检测结果旁显示其置信度分数，让你了解模型对每个检测结果的确定程度。
`show_labels`	`bool`	`True`	在可视化输出中显示每个检测结果的标签，帮助你立即了解检测到的对象。

热力图颜色映射#

colormap 参数接受任意 OpenCV 颜色映射。传入 cv2 模块中的常量，例如 colormap=cv2.COLORMAP_INFERNO：

颜色映射名称	描述
`cv2.COLORMAP_AUTUMN`	Autumn 颜色映射
`cv2.COLORMAP_BONE`	Bone 颜色映射
`cv2.COLORMAP_JET`	Jet 颜色映射
`cv2.COLORMAP_WINTER`	Winter 颜色映射
`cv2.COLORMAP_RAINBOW`	Rainbow 颜色映射
`cv2.COLORMAP_OCEAN`	Ocean 颜色映射
`cv2.COLORMAP_SUMMER`	Summer 颜色映射
`cv2.COLORMAP_SPRING`	Spring 颜色映射
`cv2.COLORMAP_COOL`	Cool 颜色映射
`cv2.COLORMAP_HSV`	色相、饱和度、明度（HSV）颜色映射
`cv2.COLORMAP_PINK`	Pink 颜色映射
`cv2.COLORMAP_HOT`	Hot 颜色映射
`cv2.COLORMAP_PARULA`	Parula 颜色映射
`cv2.COLORMAP_MAGMA`	Magma 颜色映射
`cv2.COLORMAP_INFERNO`	Inferno 颜色映射
`cv2.COLORMAP_PLASMA`	Plasma 颜色映射
`cv2.COLORMAP_VIRIDIS`	Viridis 颜色映射
`cv2.COLORMAP_CIVIDIS`	Cividis 颜色映射
`cv2.COLORMAP_TWILIGHT`	Twilight 颜色映射
`cv2.COLORMAP_TWILIGHT_SHIFTED`	Shifted Twilight 颜色映射
`cv2.COLORMAP_TURBO`	Turbo 颜色映射
`cv2.COLORMAP_DEEPGREEN`	Deep Green 颜色映射

热力图的工作原理#

Heatmap 解决方案扩展了 ObjectCounter 类。在处理第一帧时，它会创建一个与帧大小相匹配的空白强度层。之后，每一帧都会经过以下两个步骤处理：

YOLO26 跟踪会检测并跟随帧中的每个目标
对于每个跟踪目标，热力图强度会在以其边界框为中心的圆形区域内增加

每帧一次，累计的强度层会进行归一化，使用所选颜色映射进行着色，并与原始帧混合。只要至少跟踪到一个目标，就会显示叠加层；没有跟踪到目标的帧则不会显示热力图叠加层。

最终得到的是一种随时间逐渐累积的动态可视化效果，可揭示视频数据中的交通模式、人群移动或其他空间行为。当设置了 region 时，该方案还会在构建热力图的同时，对进入和离开该区域的目标进行计数。

结论#

Ultralytics YOLO26 Heatmap 解决方案只需几行代码，就能将目标跟踪结果转换为直观的活动叠加层。你还可以将其与目标计数结合使用，探索其他 Ultralytics Solutions，或阅读底层跟踪模式的相关内容。

常见问题#

Ultralytics YOLO26 会跨视频帧跟踪目标，并在每个跟踪目标的位置累积强度值，然后对结果进行着色并与原始帧混合。目标频繁出现或长时间停留的区域会累积更高的强度，并以更暖的颜色呈现。如需了解配置选项，请参阅 Heatmap() 参数部分。
使用 OpenCV 的 cv2.VideoWriter，并按照主示例所示，为每个处理后的帧写入 results.plot_im。plot_im 属性包含已应用热力图叠加层的帧。
可以。向 Heatmap() 传入 region 参数，并指定线、矩形或多边形点，方案就会在构建热力图的同时，对进入和离开该区域的目标进行计数。返回结果包括 in_count、out_count 以及按类别统计的计数。有关区域配置的详细信息，请参阅目标计数指南。

向 Heatmap() 传入 classes 参数，并指定你要保留的类别索引。例如，classes=[0, 2] 只根据人员和汽车生成热力图（COCO 类别索引为 0 和 2）：

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()

Ultralytics YOLO26 热力图将目标检测、跟踪、强度累积和叠加渲染整合到一次调用中，而 OpenCV 或 Matplotlib 等通用工具则需要你自行搭建这套流程。该方案可实时处理视频流，并开箱即用地支持持久跟踪和可自定义颜色映射。有关底层模型的详细信息，请参阅 YOLO26 模型页面。

贡献者

RIRizwanMunawar²⁰ GLglenn-jocher²⁰ RAraimbekovm⁴ MAMatthewNoyce² PDpderrenger¹ IVIvorZhu331¹ AYAyushExel¹ YOYOLOv5-Magic¹

创建时间 2023年12月6日更新时间 10小时前