即插即用 | YOLOv8热力图可视化方法详解

高级数据可视化：使用Ultralytics YOLOv8 绘制热图 🚀

热图简介

生成的热图通过Ultralytics YOLOv8将复杂的数据转换成生动的彩色编码矩阵。这种可视化工具采用色谱来表示不同的数据值，暖色调表示较高的强度，冷色调表示较低的值。热图在可视化复杂的数据模式、相关性和异常情况方面表现出色，为不同领域的数据解读提供了一种易于理解且引人入胜的方法。

观看： 使用热图Ultralytics YOLOv8

为什么选择热图进行数据分析？

• 直观的数据分布可视化：热图可简化对数据集中和分布的理解，将复杂的数据集转换为易于理解的可视化格式。
• 高效模式检测：通过热图格式的可视化数据，可以更容易地发现趋势、群组和异常值，从而促进更快地分析和洞察。
• 增强空间分析和决策：热图有助于说明空间关系，帮助商业智能、环境研究和城市规划等领域的决策过程。
  

真实世界的应用

• 交通运输
  • Ultralytics YOLOv8 交通热图
• 零售
  • Ultralytics YOLOv8 零售业热图

热图配置

• heatmap_alpha：确保该值在 (0.0 - 1.0) 范围内。
• decay_factor：用于在帧中不再存在对象后删除热图，其值也应在 (0.0 - 1.0) 范围内。

热图使用Ultralytics YOLOv8 示例

热图

import cv2
from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
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))

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

# Init heatmap
heatmap_obj = solutions(
    colormap=cv2.COLORMAP_PARULA,
    view_img=True,
    shape="circle",
    count_reg_pts=region_points,
    names=model.names,
)

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

    tracks = model.track(im0, persist=True, show=False)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    video_writer.write(im0)

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

论据 Heatmap()

论据 model.track

热图 COLORMAPs

这些颜色图通常用于用不同的颜色表示可视化数据。

常见问题

Ultralytics YOLOv8 如何生成热图及其优势是什么？

Ultralytics YOLOv8 通过将复杂数据转换为彩色编码矩阵，不同色调代表数据强度，从而生成热图。热图更容易直观地显示数据中的模式、相关性和异常情况。较暖的色调表示较高的数值，而较冷的色调表示较低的数值。其主要优点包括直观可视化数据分布、高效模式检测和增强决策空间分析。有关详细信息和配置选项，请参阅热图配置部分。

能否使用Ultralytics YOLOv8 同时执行对象跟踪和生成热图？

是的，Ultralytics YOLOv8 支持同时进行对象跟踪和热图生成。这可以通过其 Heatmap 解决方案集成了对象跟踪模型。为此，您需要初始化热图对象并使用YOLOv8 的跟踪功能。下面是一个简单的示例：

import cv2
from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap_obj = solutions(colormap=cv2.COLORMAP_PARULA, view_img=True, shape="circle", names=model.names)

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

如需进一步指导，请查看跟踪模式页面。

Ultralytics YOLOv8 热图与 OpenCV 或 Matplotlib 等其他数据可视化工具有何不同？

Ultralytics YOLOv8 热图专为与其对象检测和跟踪模型集成而设计，为实时数据分析提供了端到端的解决方案。与 OpenCV 或 Matplotlib 等通用可视化工具不同，YOLOv8 热图针对性能和自动处理进行了优化，支持持续跟踪、衰减系数调整和实时视频叠加等功能。有关YOLOv8 独特功能的更多信息，请访问Ultralytics YOLOv8 简介。

如何使用Ultralytics YOLOv8 在热图中只显示特定对象类别？

您可以通过在 track() 方法中设置 classes 参数来实现这一点。例如，如果您只想可视化汽车和人（假设它们的类指数分别为 0 和 2），您可以设置 classes 参数。

import cv2
from ultralytics import YOLO, solutions

model = YOLO("yolov8n.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
heatmap_obj = solutions.(colormap=cv2.COLORMAP_PARULA, view_img=True, shape="circle", names=model.names)

classes_for_heatmap = [0, 2]  # Classes to visualize
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break
    tracks = model.track(im0, persist=True, show=False, classes=classes_for_heatmap)
    im0 = heatmap_obj.generate_heatmap(im0, tracks)
    cv2.imshow("Heatmap", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()