Data Visualization

探索 AI 中数据可视化的力量。学习轻松解释复杂数据集、跟踪训练进度并可视化 Ultralytics YOLO26 结果。

数据可视化是对信息和数据的图形化呈现，它是将复杂的数值数据集转化为图表、图形和地图等直观视觉背景的关键转换层。在人工智能 (AI) 和机器学习 (ML) 等专业领域，这种实践对于解读模型生成的海量张量和概率数据至关重要。通过利用 Ultralytics Platform 等工具，工程师可以可视化数据集标注和训练进度，从而更容易识别在原始电子表格中难以察觉的趋势、异常值和模式。高效的可视化提升了透明度，使开发者能够调试系统，并让利益相关者能够信任自动化的决策过程。

Link to this section可视化在计算机视觉中的作用#

对于计算机视觉 (CV) 工作流程，可视化应用于模型生命周期的每个阶段，从最初的数据收集到最终的部署。

探索性数据分析 (EDA)： 在训练之前，从业者会使用可视化来理解输入数据。Matplotlib 和 Seaborn 等库有助于绘制类别分布图，以检测数据集偏差。分析这些分布可确保训练数据能够准确地反映现实环境。
训练动态： 在学习过程中，工程师通过绘制随时间变化的损失函数和准确率来监控性能。TensorBoard 或 Weights & Biases 等工具允许用户实时跟踪这些指标，有助于在过程早期发现诸如过拟合或梯度消失等问题。
推理结果： 最直接的应用涉及将模型预测叠加到图像上。这包括为检测任务绘制边界框，为图像分割绘制逐像素掩码，或者为姿态估计绘制关键点。

Link to this section实际应用#

可视化在各个行业中架起了技术指标与商业价值之间的桥梁。

医疗诊断： 在 AI 医疗中，可视化用于突出显示医学影像中的异常情况。例如，处理 MRI 扫描的模型可以使用分割叠加层对肿瘤区域进行颜色编码。这种视觉辅助工具帮助放射科医生做出更快速、更准确的诊断，是可解释 AI (XAI) 的核心组成部分。
零售分析： 对于 AI 零售，门店经理会利用从监控视频中生成的热力图。这些可视化数据汇总了随时间变化的客户移动模式，揭示了人流量高的“热点区域”。这些数据为门店布局优化和产品摆放策略提供依据，而无需用户去解析原始坐标日志。

Link to this section区分相关术语#

数据分析： 这是分析原始数据以得出结论的更广泛科学。可视化是分析过程中使用的一种技术，用于呈现研究结果。你可以在 Tableau 的分析指南中详细了解这种区别。
数据挖掘： 数据挖掘侧重于在大型数据集中通过算法发现模式和相关性。虽然挖掘提取的是洞察，但可视化提供了查看这些洞察的图形化界面。
仪表盘： 仪表盘是在单个屏幕上组织的多个可视化的集合，旨在提供系统健康状况或业务 KPI 的全面概览，常用于 Microsoft Power BI 等商业智能工具中。

Link to this section使用 Ultralytics 实现可视化#

The Ultralytics API simplifies the visualization of inference results. The following example demonstrates how to load a YOLO26 model and display the detected objects with their labels and confidence scores directly on the image.

from ultralytics import YOLO

# Load the latest YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Run inference on an image source
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    # plot() returns a BGR numpy array of the annotated image
    im_array = result.plot()
    # show() displays the image directly using the default image viewer
    result.show()

此代码片段自动处理框和标签的绘制，使开发者能够立即验证模型在目标检测任务上的能力。