Starte eine interaktive KI-App mit Streamlit und Ultralytics YOLO11

Was ist Streamlit?

Streamlit ist ein Python , das die Erstellung von interaktiven Webanwendungen vereinfacht. KI-Entwicklerinnen und -Entwickler können KI-gestützte Anwendungen erstellen, ohne sich mit den Feinheiten der Front-End-Entwicklung auseinandersetzen zu müssen. 

Sie ist so konzipiert, dass sie nahtlos mit KI- und Machine-Learning-Modellen zusammenarbeitet. Mit nur ein paar Zeilen Python können Entwickler eine Schnittstelle erstellen, über die Nutzer/innen Bilder hochladen, Videos bearbeiten und mit KI-Modellen interagieren können.

‍

Eine der wichtigsten Funktionen ist das dynamische Rendering. Wenn Nutzer/innen Änderungen vornehmen, wird die App automatisch aktualisiert, ohne dass die Seite manuell neu geladen werden muss.

Da Streamlit leichtgewichtig und einfach zu bedienen ist, läuft es sowohl auf lokalen Rechnern als auch auf Cloud-Plattformen. Das macht es zu einer großartigen Wahl für den Einsatz von KI-Anwendungen, den Austausch von Modellen mit anderen und die Bereitstellung einer intuitiven, interaktiven Benutzererfahrung.

Ultralytics YOLO11: Ein vielseitiges Vision-KI-Modell

Bevor wir uns ansehen, wie du mit Ultralytics YOLO11 Live-Inferenzen in einer Streamlit-Anwendung durchführst, wollen wir einen genaueren Blick darauf werfen, was YOLO11 so zuverlässig macht.

Ultralytics YOLO11 ist ein Modell, das für Echtzeit-Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung und Posenschätzung entwickelt wurde. Es liefert Hochgeschwindigkeitsleistung mit beeindruckender Genauigkeit.

‍

Einer der größten Vorteile von YOLO11ist seine Benutzerfreundlichkeit. Es sind keine komplexen Einstellungen erforderlich. Entwickler können das Ultralytics Python installieren und mit wenigen Zeilen Code Vorhersagen treffen.

DasPython von Ultralytics bietet eine Reihe von Funktionen, mit denen du Modelle und Erkennungseinstellungen feinabstimmen kannst. Außerdem hilft es dabei, die Leistung über verschiedene Geräte hinweg zu optimieren, um einen reibungslosen Einsatz zu ermöglichen.

Das Ultralytics Python ist nicht nur flexibel, sondern unterstützt auch die Integration verschiedener Plattformen, einschließlich Edge-Geräten, Cloud-Umgebungen und NVIDIA GPU Systemen. Egal, ob es auf einem kleinen eingebetteten Gerät oder einem großen Cloud-Server eingesetzt wird, YOLO11 passt sich mühelos an und macht fortschrittliche KI zugänglicher denn je.

Vorteile der Nutzung von Streamlit mit Ultralytics YOLO11

Du fragst dich vielleicht, woher ich weiß, ob Streamlit die richtige Bereitstellungsoption für mich ist? Wenn du nach einer einfachen, code-effizienten Möglichkeit suchst, YOLO11 zu nutzen, ohne dich mit der Front-End-Entwicklung zu beschäftigen, ist Streamlit eine gute Option - vor allem für Prototypen, Proof-of-Concept (PoC)-Projekte oder Einsätze für eine kleinere Anzahl von Nutzern.

Es vereinfacht die Arbeit mit YOLO11 , indem es unnötige Komplexität beseitigt und eine intuitive Schnittstelle für Echtzeit-Interaktion bietet. Hier sind einige weitere wichtige Vorteile:

• Anpassbare KI-Steuerungen: Du kannst deiner Benutzeroberfläche Schieberegler, Dropdowns und Schaltflächen hinzufügen, mit denen die Benutzer die Erkennungseinstellungen feinabstimmen und bestimmte Objekte einfach filtern können.
  ‍
• Integration mit anderen KI-Tools: Streamlit unterstützt die Integration von NumPy, OpenCV, Matplotlib und anderen Bibliotheken für maschinelles Lernen und erweitert so die Möglichkeiten des KI-Workflows.

• Interaktive Datenvisualisierung: Die integrierte Unterstützung für Diagramme und Grafiken ermöglicht es den Nutzern, Objekterkennung, Segmentierungsergebnisse oder Tracking-Erkenntnisse mühelos zu visualisieren.
  ‍
• Zusammenarbeitsfreundlich: Streamlit-Apps können über einen einfachen Link mit Teammitgliedern, Stakeholdern oder Kunden geteilt werden und ermöglichen so sofortiges Feedback und Iteration.

Schritt-für-Schritt-Anleitung für den Einsatz von YOLO11 in einer Streamlit-Web-App

Nachdem wir nun die Vorteile der Verwendung von Streamlit mit YOLO11 kennengelernt haben, wollen wir uns ansehen, wie man mit Streamlit und YOLO11 Echtzeit-Computer-Vision-Aufgaben in einem Browser ausführen kann.

1# Install the ultralytics package from PyPI
2pip install ultralytics

1from ultralytics import solutions
2
3inf = solutions.Inference(
4    model="yolo11n.pt",  # you can use any model that Ultralytics support, i.e. YOLO11, or custom trained model
5)
6
7inf.inference()
8
9### Make sure to run the file using command `streamlit run <file-name.py>`

Inferenzen mit YOLO11 in der Streamlit-Anwendung durchführen

Jetzt, wo die Streamlit-Anwendung in deinem Webbrowser läuft, wollen wir herausfinden, wie du sie nutzen kannst, um Schlussfolgerungen mit YOLO11 zu ziehen.

Nehmen wir zum Beispiel an, wir wollen eine Videodatei zur Objekterkennung analysieren. Hier sind die Schritte, um eine Datei hochzuladen, ein Modell auszuwählen und die Ergebnisse in Echtzeit anzuzeigen:

• Lade eine Videodatei hoch: Wähle "Video" aus dem Dropdown-Menü der Benutzerkonfiguration, um die Anwendung anzuweisen, eine zuvor aufgezeichnete Datei anstelle eines Webcam-Feeds zu verarbeiten.
  ‍
• Wähle ein YOLO11 : Wähle "YOLO11l" aus dem Modell-Dropdown für die Objekterkennung mit einem großen YOLO11 .
  ‍
• Starte den Erkennungsprozess: Klicke auf "Start", damit YOLO11 das Video Bild für Bild analysieren und Objekte in Echtzeit erkennen kann.
  ‍
• Sieh dir das verarbeitete Video an: Beobachte, wie das Video mit Live-Updates auf dem Bildschirm erscheint und die erkannten Objekte mit Begrenzungsrahmen angezeigt werden.
  ‍
• Interagiere mit den Ergebnissen in Streamlit: Nutze die Benutzeroberfläche, um Einstellungen anzupassen oder Erkennungen zu analysieren, ganz ohne zusätzliche Einstellungen oder Kodierung.

‍

Anwendungsfälle mit Streamlit und YOLO11

Wir haben uns angeschaut, wie Streamlit für die Erstellung von Prototypen, Forschungstools und kleinen bis mittleren Anwendungen geeignet ist. Es bietet eine einfache Möglichkeit, KI-Modelle ohne komplexe Front-End-Entwicklung einzusetzen.

Allerdings ist YOLO11 mit Streamlit nicht immer eine sofort einsatzbereite Lösung - es sei denn, du verwendest die Ultralytics YOLO Streamlit-Anwendung, die wir in den obigen Schritten eingerichtet haben. In den meisten Fällen ist etwas Entwicklungsarbeit nötig, um die Anwendung an die eigenen Bedürfnisse anzupassen. Streamlit vereinfacht zwar die Bereitstellung, aber du musst trotzdem die notwendigen Komponenten konfigurieren, damit YOLO11 reibungslos funktioniert.

Zwei praktische Beispiele zeigen, wie Ultralytics YOLO11 mit Streamlit in realen Szenarien eingesetzt werden kann.

Zählen von Objekten für Inventarkontrollen mit YOLO11

Die Bestandsaufnahme in Einzelhandelsgeschäften, Lagerräumen oder Bürobereichen kann zeitaufwändig und fehleranfällig sein. Mit YOLO11 und Streamlit können Unternehmen die Zählung von Objekten schnell und effizient automatisieren, was es zu einer guten Option für einen Proof of Concept (PoC) macht, bevor sie sich für einen groß angelegten Einsatz entscheiden.

Mit dieser Einrichtung können die Nutzer/innen ein Bild hochladen oder eine Live-Kamera verwenden, und YOLO11 kann helfen, Objekte sofort zu erkennen und zu zählen. Die Zählung in Echtzeit kann in der Streamlit-Oberfläche angezeigt werden und ermöglicht so eine einfache Überwachung der Lagerbestände ohne manuellen Aufwand.

Zum Beispiel kann ein Ladenbesitzer ein Regal scannen und sofort sehen, wie viele Flaschen, Kisten oder verpackte Waren vorhanden sind, ohne sie manuell zählen zu müssen. Durch den Einsatz von YOLO11 und Streamlit können Unternehmen die manuelle Arbeit reduzieren, die Genauigkeit verbessern und die Automatisierung mit minimalen Investitionen vorantreiben.

‍

Tipps für die Überwachung einer interaktiven KI-App mit Streamlit

Der Einsatz von Tools wie Streamlit für die Bereitstellung von Computer-Vision-Modellen hilft, ein interaktives und benutzerfreundliches Erlebnis zu schaffen. Nach der Einrichtung der Live-Oberfläche muss jedoch sichergestellt werden, dass das System effizient läuft und im Laufe der Zeit genaue Ergebnisse liefert.

Hier sind einige wichtige Faktoren, die du nach dem Einsatz beachten solltest:

• Regelmäßige Überwachung: Verfolge die Erkennungsgenauigkeit, die Geschwindigkeit der Schlussfolgerungen und den Ressourcenverbrauch. Passe die Modellparameter an oder rüste die Hardware auf, wenn die Leistung nachlässt.
  ‍
• Verwaltung mehrerer Nutzer und Skalierbarkeit: Wenn die Nutzernachfrage steigt, ist die Optimierung der Infrastruktur der Schlüssel zur Aufrechterhaltung der Leistung. Cloud-Plattformen und skalierbare Bereitstellungslösungen tragen zu einem reibungslosen Betrieb bei.
  ‍
• Das Modell auf dem neuesten Stand halten: Wenn du das Modell und die Bibliotheken auf dem neuesten Stand hältst, erhöht das die Genauigkeit, die Sicherheit und den Zugang zu neuen Funktionen.

Die wichtigsten Erkenntnisse

Ultralytics vereinfacht den Einsatz von YOLO11 mit einer gebrauchsfertigen Streamlit-Live-Oberfläche, die mit einem einzigen Befehl ausgeführt wird - ganz ohne Programmieraufwand. So können die Nutzer sofort mit der Echtzeit-Objekterkennung beginnen.

Die Benutzeroberfläche lässt sich außerdem individuell anpassen. So können die Nutzer/innen ganz einfach zwischen verschiedenen Modellen wechseln, die Erkennungsgenauigkeit anpassen und Objekte filtern. Alles wird über eine einfache, benutzerfreundliche Oberfläche verwaltet, so dass die manuelle Entwicklung der Benutzeroberfläche überflüssig ist. Durch die Kombination

Die Fähigkeiten von YOLO11und die einfache Bereitstellung von Streamlit ermöglichen es Unternehmen und Entwicklern, schnell Prototypen zu erstellen, zu testen und KI-gesteuerte Anwendungen zu verfeinern. 

Werde Teil unserer Community und erkunde unser GitHub-Repository für weitere Einblicke in KI. Wirf einen Blick auf unsere Lösungsseiten, um mehr über Innovationen wie KI in der Fertigung und Computer Vision im Gesundheitswesen zu erfahren. Schau dir unsere Lizenzierungsoptionen an und fang noch heute an!