Узнай, как запустить умозаключения YOLO11 внутри интерфейса Streamlit и построить интерактивный интерфейс ИИ для задач компьютерного зрения без опыта кодинга.
Модели компьютерного зрения - это эффективные инструменты искусственного интеллекта, которые позволяют машинам интерпретировать и анализировать визуальные данные, выполняя такие задачи, как обнаружение объектов, классификация изображений и сегментация объектов с высокой точностью. Однако иногда для их внедрения и обеспечения доступности широкой аудитории требуются дополнительные технические знания, например навыки веб-разработки или создания мобильных приложений.
Возьми Ultralytics YOLO11например. Это модель, которая поддерживает различные задачи и полезна в целом ряде приложений. Однако без определенных технических знаний в области front-end создание и развертывание удобного интерфейса для беспроблемного взаимодействия может показаться некоторым инженерам по искусственному интеллекту немного сложным.
Streamlit - это фреймворк с открытым исходным кодом, который призван облегчить этот процесс. Это Python инструмент для создания интерактивных приложений без сложной фронтенд-разработки. В паре с YOLO11 он позволяет пользователям загружать изображения, обрабатывать видео и визуализировать результаты в реальном времени с минимальными усилиями.
Ultralytics делает еще один шаг вперед благодаря своему решению Live Inference, что делает интеграцию Streamlit еще проще. С помощью одной команды пользователи могут запустить предварительно созданное приложение Streamlit для YOLO11, избавив себя от необходимости ручной настройки и кодирования.
В этой статье мы расскажем, как настроить и запустить YOLO11 с помощью решения Live Inference от Ultralyticsс Streamlit, что делает развертывание ИИ в реальном времени более быстрым и доступным.
Streamlit - это Python , который упрощает создание интерактивных веб-приложений. Разработчики могут создавать приложения, работающие на основе ИИ, не сталкиваясь с тонкостями фронтенд-разработки.
Он предназначен для бесшовной работы с моделями ИИ и машинного обучения. С помощью всего нескольких строк на Python разработчики могут создать интерфейс, в котором пользователи смогут загружать изображения, обрабатывать видео и взаимодействовать с моделями ИИ.
Одна из его ключевых особенностей - динамический рендеринг. Когда пользователи вносят изменения, приложение обновляется автоматически, не требуя ручной перезагрузки страницы.
Кроме того, благодаря своему легкому весу и простоте использования Streamlit эффективно работает как на локальных машинах, так и на облачных платформах. Это делает его отличным выбором для развертывания приложений ИИ, обмена моделями с другими людьми и обеспечения интуитивного, интерактивного пользовательского опыта.
Прежде чем погрузиться в то, как запускать живые выводы с помощью Ultralytics YOLO11 в приложении Streamlit, давай подробнее рассмотрим, что делает YOLO11 таким надежным.
Ultralytics YOLO11 - это модель, предназначенная для задач компьютерного зрения в реальном времени, таких как обнаружение объектов, сегментация экземпляров и оценка позы. Она обеспечивает высокую скорость работы с впечатляющей точностью.
Одно из главных преимуществ YOLO11- простота использования. Нет необходимости в сложных настройках; разработчики могут установить пакет Ultralytics Python и начать делать прогнозы всего с нескольких строк кода.
Пакет Ultralytics Python предоставляет ряд возможностей, позволяя пользователям точно настраивать модели и регулировать параметры обнаружения. Кроме того, он помогает оптимизировать производительность на разных устройствах для более плавного развертывания.
Помимо гибкости, пакет Ultralytics Python поддерживает интеграцию с различными платформами, включая пограничные устройства, облачные среды и системы на базе NVIDIA GPU. Вне зависимости от того, развернут ли YOLO11 на небольшом встраиваемом устройстве или крупном облачном сервере, он легко адаптируется, делая передовой ИИ зрения доступным как никогда.
Возможно, тебе интересно, как узнать, подходит ли мне Streamlit для развертывания? Если ты ищешь простой и эффективный способ запустить YOLO11 , не прибегая к фронтенд-разработке, то Streamlit - хороший вариант, особенно для прототипов, проектов с доказательством концепции (PoC) или развертываний, рассчитанных на небольшое количество пользователей.
Она упрощает процесс работы с YOLO11 , устраняя ненужные сложности и предоставляя интуитивно понятный интерфейс для взаимодействия в режиме реального времени. Вот некоторые другие ключевые преимущества:
Теперь, когда мы изучили преимущества использования Streamlit с YOLO11, давай разберемся, как запускать задачи компьютерного зрения в реальном времени в браузере, используя Streamlit с YOLO11.
Первым шагом будет установка пакетаUltralytics Python . Это можно сделать с помощью следующей команды:
RU
EN
ZH
KO
JA
DE
FR
ES
PT
IT
AR
TR
VI
1# Install the ultralytics package from PyPI
2pip install ultralytics
После установки YOLO11 готов к использованию без каких-либо сложных настроек. Если при установке необходимых пакетов у тебя возникнут какие-либо проблемы, ты можешь обратиться к нашему руководству по общим проблемам, чтобы получить советы и решения по устранению неполадок.
Обычно для запуска YOLO11 тебе нужно разработать скрипт на Python с использованием компонентов Streamlit. Однако Ultralytics предоставляет простой способ запуска YOLO11 с помощью Streamlit.
Запуск следующего Python мгновенно запустит приложение Streamlit в твоем веб-браузере по умолчанию:
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>`
Никаких дополнительных настроек не требуется. Интерфейс приложения Streamlit включает в себя раздел загрузки изображений и видео, выпадающее меню для выбора интересующего тебя варианта модели YOLO11 и ползунки для настройки достоверности обнаружения. Все аккуратно организовано, что позволяет пользователям без труда запускать умозаключения без написания дополнительного кода.
Теперь, когда приложение Streamlit запущено в твоем веб-браузере, давай изучим, как использовать его для проведения умозаключений с помощью YOLO11.
Допустим, мы хотим проанализировать видеофайл на предмет обнаружения объектов. Вот шаги для загрузки файла, выбора модели и просмотра результатов в реальном времени:
Мы рассмотрели, что Streamlit отлично подходит для создания прототипов, исследовательских инструментов и приложений малого и среднего размера. Он предлагает простой способ развертывания моделей ИИ без сложной фронтенд-разработки.
Однако запуск YOLO11 с Streamlit не всегда является готовым решением - если только ты не используешь приложение Ultralytics YOLO Streamlit, которое мы настроили в шагах выше. В большинстве случаев требуется некоторая разработка, чтобы настроить приложение под конкретные нужды. Хотя Streamlit упрощает развертывание, тебе все равно придется настроить необходимые компоненты, чтобы YOLO11 работал без сбоев.
Давай рассмотрим два практических примера того, как Ultralytics YOLO11 может быть эффективно развернута вместе со Streamlit в реальных сценариях.
Учет инвентаря в розничных магазинах, складских помещениях или офисных складах может отнимать много времени и быть чреват ошибками. Используя YOLO11 с Streamlit, предприятия могут быстро и эффективно автоматизировать подсчет объектов, что делает его отличным вариантом для проверки концепции (PoC), прежде чем приступать к масштабному развертыванию.
При такой настройке пользователи могут загрузить изображение или использовать прямую трансляцию с камеры, а YOLO11 поможет мгновенно обнаружить и подсчитать объекты. Подсчет в реальном времени может отображаться в интерфейсе Streamlit, обеспечивая простой способ контролировать уровень запасов без ручных усилий.
Например, владелец магазина может отсканировать полку и сразу же увидеть, сколько там бутылок, коробок или упакованных товаров, без необходимости считать их вручную. Используя YOLO11 и Streamlit, предприятия могут сократить ручной труд, повысить точность и изучить возможности автоматизации с минимальными инвестициями.
Обеспечить безопасность зон ограниченного доступа в офисах, на складах или в местах проведения мероприятий может быть непросто, особенно при ручном мониторинге. Используя YOLO11 с Streamlit, предприятия могут настроить простую систему безопасности на базе ИИ, которая будет обнаруживать несанкционированный доступ в режиме реального времени.
Запись с камеры может быть подключена к интерфейсу Streamlit, где YOLO11 используется для идентификации и отслеживания людей, входящих в запретные зоны. При обнаружении неавторизованного человека система может включить оповещение или записать событие в журнал для просмотра.
Например, начальник склада может контролировать доступ к складским помещениям с высокой степенью защиты, или в офисе можно отслеживать перемещения в закрытых секциях, не нуждаясь в постоянном контроле.
Это может стать наглядным проектом для предприятий, которые хотят изучить возможности мониторинга безопасности с помощью искусственного интеллекта Vision, прежде чем приступать к созданию более крупной, полностью автоматизированной системы. Интегрировав YOLO11 со Streamlit, предприятия смогут повысить уровень безопасности, свести к минимуму ручной мониторинг и более эффективно реагировать на несанкционированный доступ.
Использование таких инструментов, как Streamlit, для развертывания моделей компьютерного зрения помогает создать интерактивный и удобный для пользователя опыт. Однако после настройки живого интерфейса важно обеспечить эффективную работу системы и получение точных результатов в течение долгого времени.
Вот несколько ключевых факторов, которые нужно учитывать после развертывания:
Ultralytics упрощает развертывание YOLO11 благодаря готовому к использованию живому интерфейсу Streamlit, который запускается одной командой - кодирование не требуется. Это позволяет пользователям мгновенно начать использовать обнаружение объектов в реальном времени.
Интерфейс также включает встроенную настройку, позволяющую пользователям с легкостью переключать модели, настраивать точность обнаружения и фильтровать объекты. Все управление осуществляется в рамках простого, удобного интерфейса, что избавляет от необходимости ручной разработки пользовательского интерфейса. Объединив
Благодаря возможностям YOLO11и простоте развертывания Streamlit предприятия и разработчики могут быстро создавать прототипы, тестировать и дорабатывать приложения, управляемые искусственным интеллектом.
Стань частью нашего сообщества и изучи наш репозиторий на GitHub, чтобы узнать больше об искусственном интеллекте. Загляни на страницы наших решений, чтобы узнать больше о таких инновациях, как ИИ в производстве и компьютерное зрение в здравоохранении. Ознакомься с нашими вариантами лицензирования и начни работать уже сегодня!
Начни свое путешествие с будущим машинного обучения