Ultralytics YOLO26 Analytics 实战指南：四种图表实时可视化检测与追踪数据

本文基于 Ultralytics 官方指南 analytics.md，讲解如何使用 Analytics 解决方案将 YOLO26 的目标检测与追踪结果转化为折线图（line）、柱状图（bar）、饼图（pie）与面积图（area）四种实时图表，并逐帧呈现视频中物体数量的变化。读完本文，你将掌握 Analytics 的 CLI 与 Python 完整用法、全部关键参数的取值与默认值，并理解其底层的追踪调用链、图表更新机制（每 30 帧刷新一次、最多保留 45 个数据点）以及结果对象 SolutionResults 的结构。

为什么要把检测数据可视化

Analytics 的核心价值在于：把逐帧的检测/追踪结果变成可随时间演化的图表，让你直观观察物体数量如何随视频帧变化。官方指南给出了四种图表类型及其适用场景：

• 折线图（line graph）：最适合追踪短周期和长周期内的变化，也适合在同一时间段内对比多个群体的变化趋势。
• 柱状图（bar plot）：适合比较不同类别之间的数量，展示"类别—数值"之间的对应关系。
• 饼图（pie chart）：有效展示各类别占总量的比例，直观呈现"部分与整体"的关系。
• 面积图（area plot）：在折线图基础上填充区域，让各类别物体数量随时间的变化更易于一次性读出。

四种图表共用同一套 Python 与 CLI 示例，只需通过 analytics_type 一个参数在 "line"、"bar"、"pie"、"area" 之间切换。

生成分析图表

将视频输入 Analytics 解决方案并选择图表类型即可。该方案会对每一帧执行检测与追踪，并渲染一张 1280×720 的图表（由默认 figsize=(12.8, 7.2) 换算而来），可直接写入输出视频。

CLI 用法

yolo solutions analytics show=True

# 指定输入视频
yolo solutions analytics source="path/to/video.mp4"

# 生成饼图
yolo solutions analytics analytics_type="pie" show=True

# 生成柱状图
yolo solutions analytics analytics_type="bar" show=True

# 生成面积图
yolo solutions analytics analytics_type="area" show=True

Python 用法

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# 视频写入器
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
out = cv2.VideoWriter(
    "analytics_output.avi",
    cv2.VideoWriter_fourcc(*"MJPG"),
    fps,
    (1280, 720),  # 输出分辨率固定为 1280x720，与图表 figsize 对应
)

# 初始化 Analytics 对象
analytics = solutions.Analytics(
    show=True,  # 显示输出窗口
    analytics_type="line",  # 图表类型，可选 "line"、"bar"、"pie"、"area"
    model="yolo26n.pt",  # YOLO26 模型文件路径
    # classes=[0, 2],  # 仅对指定类别做统计
)

# 逐帧处理视频
frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if success:
        frame_count += 1
        results = analytics(im0, frame_count)  # 每帧调用一次以更新图表

        # print(results)  # 可访问输出结果

        out.write(results.plot_im)  # 将图表图像写入输出视频
    else:
        break

cap.release()
out.release()
cv2.destroyAllWindows()  # 关闭所有打开的窗口

Analytics 参数说明

Analytics 接受以下参数（默认值与描述摘自仓库文档宏 solutions-args.md、solutions-track-args.md 与 visualization-args.md）：

参数	类型	默认值	说明
model	str	None	Ultralytics YOLO 模型文件路径。为 None 时，源码会回退到 yolo26n.pt
analytics_type	str	'line'	图表类型：line、bar、area 或 pie
line_width	int	2	解算器绘制方框、关键点与计数时使用的线宽，同时影响图表中曲线与标记点大小
verbose	bool	True	启用解算器逐帧日志（输入尺寸、类别计数与处理速度）；追踪调用本身始终静默

Analytics 同时支持 track 模式中的常用追踪参数：

参数	类型	默认值	说明
tracker	str	'botsort.yaml'	追踪算法。内置选项：botsort.yaml、bytetrack.yaml、ocsort.yaml、deepocsort.yaml、fasttrack.yaml、tracktrack.yaml
conf	float	0.25	检测置信度阈值；调低可追踪更多物体，但可能引入误检
iou	float	0.7	用于过滤重叠检测的 IoU 阈值
classes	list	None	按类别索引过滤结果，例如 classes=[0, 2, 3] 只追踪指定类别
device	str	None	推理设备，如 cpu、cuda:0 或 0

此外还支持可视化参数：

参数	类型	默认值	说明
show	bool	False	为 True 时在窗口中显示带标注的图像/视频，适合开发调试时即时反馈

源码级实现解析

数据从哪来：内置追踪调用链

Analytics 继承自 BaseSolution，其数据获取完全依赖底层的 YOLO 追踪能力。在 extract_tracks 方法 中，每一帧都会调用：

self.tracks = self.model.track(
    source=im0, persist=True, classes=self.classes, verbose=False, **self.track_add_args
)[0]

其中 track_add_args 由 BaseSolution 构造函数 从配置中收集 iou、conf、device、max_det、quantize、tracker、imgsz 等字段，随后从追踪结果中解包出 boxes（框坐标）、clss（类别索引）、track_ids（追踪 ID）与 confs（置信度）。这意味着 Analytics 统计的"计数"实际是带稳定 ID 的追踪计数，而非单纯的检测结果，四类图表都能实时反映活动物体数量。

图表构建与更新节奏

Analytics 构造函数 根据 analytics_type 决定 Matplotlib 的初始化方式：

• line 与 area：创建 Figure + FigureCanvasAgg 画布，折线图额外预建一条 Line2D 对象；
• bar 与 pie：通过 plt.subplots 建图，饼图额外调用 ax.axis("equal") 保证圆形不被拉伸；
• 所有图表共享标题 Ultralytics Solutions、字号 25，并设置固定颜色循环 ["#DD00BA", "#042AFF", "#FF4447", "#7D24FF", "#BD00FF"]。

图表的刷新节奏由 process 方法 控制，从源码结构看有两个关键设计：

1. 每 30 帧才真正重绘一次。update_every 默认为 30（analytics.py 第 74 行），只有当 frame_number % update_every == 0 或尚未绘制过第一张图时才调用 update_graph；非刷新帧直接复用缓存 last_plot_im，从而显著降低 Matplotlib 重绘开销。
2. line 图采用"区间累加"语义。每一帧把当帧检测数量累加进 total_counts，到刷新点时把该累计值作为一个新的数据点追加，随后清零；折线图因此展示的是每 30 帧窗口内的累计计数。
3. bar / pie / area 采用"当帧计数"语义。刷新时通过 Counter(self.names[int(cls)] for cls in self.clss) 统计当前帧各类别数量，再传给 update_graph 重绘。

在 update_graph 方法 中，折线图追加新点后会裁剪到 max_points=45 个数据点以内，使图表始终是一个滚动的滑动窗口；面积图对每个类别执行 fill_between（透明度 0.55）叠加曲线与圆形标记；柱状图会在每根柱顶标注具体数量，并用 color_mapping 字典保证同一类别跨帧颜色一致；饼图则以 90 度起始角绘制，并在图例中以 类别 (百分比%) 的形式标注占比。渲染完成后通过 canvas.draw() 将 RGBA 缓冲区转成 BGR 图像返回，同时按需经 display_output 弹窗显示。

输出结果结构

process 的返回值是 SolutionResults，包含三个字段，可在逐帧循环中直接取用：

• plot_im：渲染好的图表图像（BGR 格式），即示例中写入输出视频的 results.plot_im；
• total_tracks：当前帧被追踪到的物体总数；
• classwise_count：各类别计数字典（键为类别名），line 图更新前可为空。

图表尺寸从哪里来

默认图表尺寸 1280×720 并非随意设定：SolutionConfig 中 figsize 默认为 (12.8, 7.2)（英寸），按 100 dpi 渲染正好得到 1280×720 像素，这也是 Python 示例中 VideoWriter 输出分辨率被固定为 (1280, 720) 的原因。

常见问题（FAQ）

如何用 YOLO26 Analytics 创建折线图？

1. 加载 YOLO26 模型并打开视频文件；
2. 以 analytics_type="line" 初始化 Analytics 类；
3. 遍历视频帧，每帧调用一次该对象，用物体计数等数据更新折线图；
4. 将 results.plot_im 写入输出视频以保存图表。

上文的 Python 示例即是完整的折线图起点——analytics_type 的默认值就是 "line"。

用 YOLO26 做柱状图有什么优势？

1. 实时数据可视化：检测结果直接汇入柱状图，随视频动态更新；
2. 易于使用：API 简单，几行代码即可实现；
3. 可定制：标题、标签、颜色均可按需调整；
4. 高效：在视频处理过程中实时更新图表，适合大数据量场景。

只需把示例中的 analytics_type 改为 "bar"，帧循环其余代码完全一致。

为什么选择 YOLO26 做饼图可视化？

1. 与目标检测/追踪直接集成，检测完成即可得到占比分布；
2. API 友好，最少代码即可完成搭建；
3. 颜色、标签等均可定制（饼图图例自带百分比）；
4. 支持视频分析场景下的实时更新。

把 analytics_type 设为 "pie" 即可生成饼图。

YOLO26 能否追踪物体并动态更新可视化？

可以。追踪能力内建在 Analytics 方案中：它实时追踪多个物体，并基于追踪数据每帧更新图表，因此折线图、柱状图、饼图、面积图反映的都是"活"的计数。关于底层追踪机制，参见 Tracking 文档。

小结

在数据分析中，选对图表类型是有效传达数据故事的关键。折线图、柱状图与饼图是最基础的可视化手段，而 Ultralytics YOLO26 的 Analytics 解决方案提供了一条从"视频 → 检测追踪 → 实时图表"的极简路径：CLI 一条命令即可启动，Python 一个参数即可在四种图表间切换，并可通过 tracker、conf、classes 等参数精确控制统计对象与追踪算法。配合源码级的 update_every（30 帧刷新）与 max_points（45 点滑动窗口）设计，该方案在保持实时性的同时控制了渲染开销，适合直接落地到视频计数、人流统计、品类占比等实际监控分析场景。