الاستدلال المباشر باستخدام تطبيق Streamlit باستخدام Ultralytics YOLO11

مقدمة

يجعل Streamlit من السهل إنشاء تطبيقات الويب التفاعلية ونشرها. يتيح الجمع بين هذا مع Ultralytics YOLO11 إمكانية اكتشاف الكائنات في الوقت الفعلي وتحليلها مباشرةً في متصفحك. تضمن دقة وسرعة YOLO11 العالية أداءً سلسًا لبث الفيديو المباشر، مما يجعله مثاليًا للتطبيقات في مجالات الأمن وتجارة التجزئة وغيرها.

شاهد: كيفية استخدام Streamlit مع Ultralytics في الوقت الحقيقي الرؤية الحاسوبية في متصفحك

تربية الأحياء المائية	تربية الحيوانات
الكشف عن الأسماك باستخدام Ultralytics YOLO11	الكشف عن الحيوانات باستخدام Ultralytics YOLO11

مزايا الاستدلال المباشر

• اكتشاف الكائنات في الوقت الحقيقي بسلاسة: يتيح Streamlit مع YOLO11 إمكانية اكتشاف الكائنات في الوقت الفعلي مباشرةً من موجز كاميرا الويب. يتيح ذلك إجراء تحليلات ورؤى فورية، مما يجعلها مثالية للتطبيقات التي تتطلب ملاحظات فورية.
• نشر سهل الاستخدام: تجعل واجهة Streamlit التفاعلية من السهل نشر التطبيق واستخدامه دون معرفة تقنية واسعة. يمكن للمستخدمين بدء الاستدلال المباشر بنقرة بسيطة، مما يعزز إمكانية الوصول وسهولة الاستخدام.
• كفاءة استخدام الموارد: تضمن خوارزميات YOLO11 المحسّنة معالجة عالية السرعة بأقل قدر من الموارد الحاسوبية. وتسمح هذه الكفاءة بالاستدلال السلس والموثوق بكاميرا الويب حتى على الأجهزة القياسية، مما يجعل الرؤية الحاسوبية المتقدمة في متناول جمهور أوسع.

رمز تطبيق Streamlit

yolo solutions inference

yolo solutions inference model="path/to/model.pt"

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # you can use any model that Ultralytics support, i.e. YOLO11, or custom trained model
)

inf.inference()

# Make sure to run the file using command `streamlit run path/to/file.py`

سيؤدي ذلك إلى تشغيل تطبيق Streamlit في متصفح الويب الافتراضي الخاص بك. سترى العنوان الرئيسي والعنوان الفرعي والشريط الجانبي مع خيارات التكوين. حدد نموذج YOLO11 الذي تريده، واضبط عتبات الثقة وعتبات NMS، وانقر على زر "ابدأ" لبدء اكتشاف الكائن في الوقت الحقيقي.

يمكنك اختيارياً توفير نموذج محدد في Python:

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # you can use any model that Ultralytics support, i.e. YOLO11, YOLOv10
)

inf.inference()

# Make sure to run the file using command `streamlit run path/to/file.py`

كيف تعمل

يستخدم تطبيق Streamlit تحت الغطاء، يستخدم تطبيق Streamlit وحدة حلولUltralytics لإنشاء واجهة تفاعلية. عند بدء الاستدلال، فإن التطبيق:

1. يلتقط الفيديو من كاميرا الويب أو ملف الفيديو الذي تم تحميله
2. يقوم بمعالجة كل إطار من خلال نموذج YOLO11
3. يطبق الكشف عن الكائنات باستخدام عتبات الثقة وعتبات IoU المحددة الخاصة بك
4. عرض كل من الإطارات الأصلية والمشروحة في الوقت الفعلي
5. تمكين تتبع الكائن اختياريًا إذا تم تحديده

يوفر التطبيق واجهة نظيفة وسهلة الاستخدام مع عناصر تحكم لضبط معلمات النموذج وبدء/إيقاف الاستدلال في أي وقت.

الخاتمة

باتباع هذا الدليل، تكون قد نجحت في إنشاء تطبيق للكشف عن الأجسام في الوقت الحقيقي باستخدام Streamlit و Ultralytics YOLO11 . يسمح لك هذا التطبيق بتجربة قوة YOLO11 في اكتشاف الأجسام من خلال كاميرا الويب الخاصة بك، مع واجهة سهلة الاستخدام والقدرة على إيقاف دفق الفيديو في أي وقت.

لمزيد من التحسينات، يمكنك استكشاف إضافة المزيد من الميزات مثل تسجيل دفق الفيديو، أو حفظ الإطارات المشروحة، أو التكامل مع مكتبات الرؤية الحاسوبية الأخرى.

شارك بأفكارك مع المجتمع

تفاعل مع المجتمع لمعرفة المزيد واستكشاف المشكلات وحلها ومشاركة مشاريعك:

أين تجد المساعدة والدعم

• مشكلات GitHub: قم بزيارة مستودعUltralytics GitHub لطرح الأسئلة والإبلاغ عن الأخطاء واقتراح الميزات.
• Ultralytics خادم ديسكورد: انضم إلى خادمUltralytics Discord Server للتواصل مع المستخدمين والمطورين الآخرين والحصول على الدعم ومشاركة المعرفة وتبادل الأفكار وتبادل الأفكار.

الوثائق الرسمية

• Ultralytics YOLO11 التوثيق: ارجع إلى الوثائق الرسمية YOLO11 للحصول على أدلة شاملة ورؤى حول مختلف مهام ومشاريع الرؤية الحاسوبية.

الأسئلة الشائعة

كيف يمكنني إعداد تطبيق اكتشاف الأجسام في الوقت الحقيقي باستخدام Streamlit و Ultralytics YOLO11 ؟

يعد إعداد تطبيق الكشف عن الكائنات في الوقت الحقيقي باستخدام Streamlit و Ultralytics YOLO11 أمرًا بسيطًا ومباشرًا. أولاً، تأكد من تثبيت الحزمة Ultralytics Python باستخدام:

pip install ultralytics

بعد ذلك، يمكنك إنشاء تطبيق Streamlit أساسي لتشغيل الاستدلال المباشر:

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # you can use any model that Ultralytics support, i.e. YOLO11, YOLOv10
)

inf.inference()

# Make sure to run the file using command `streamlit run path/to/file.py`

yolo solutions inference

لمزيد من التفاصيل حول الإعداد العملي، راجع قسم كود تطبيق Streamlit في الوثائق.

ما هي المزايا الرئيسية لاستخدام Ultralytics YOLO11 مع Streamlit للكشف عن الأجسام في الوقت الحقيقي؟

يوفر استخدام Ultralytics YOLO11 مع Streamlit للكشف عن الأجسام في الوقت الحقيقي العديد من المزايا:

• اكتشاف سلس في الوقت الحقيقي: احصل على دقة عالية، واكتشاف الكائنات في الوقت الحقيقي مباشرةً من خلاصات كاميرا الويب.
• واجهة سهلة الاستخدام: تتيح واجهة Streamlit البديهية سهولة الاستخدام والنشر دون معرفة تقنية واسعة.
• كفاءة الموارد: تضمن خوارزميات YOLO11 المحسّنة معالجة عالية السرعة بأقل قدر من الموارد الحاسوبية.

اكتشف المزيد عن هذه المزايا هنا.

كيف يمكنني نشر تطبيق اكتشاف الكائنات Streamlit في متصفح الويب الخاص بي؟

بعد ترميز تطبيق Streamlit الخاص بك الذي يدمج Ultralytics YOLO11 ، يمكنك نشره عن طريق تشغيله:

streamlit run path/to/file.py

سيؤدي هذا الأمر إلى تشغيل التطبيق في متصفح الويب الافتراضي الخاص بك، مما يتيح لك تحديد نماذج YOLO11 وتعيين عتبات الثقة وعتبات NMS، وبدء اكتشاف الكائنات في الوقت الفعلي بنقرة بسيطة. للحصول على دليل مفصل، راجع قسم كود تطبيق Streamlit.

ما هي بعض حالات الاستخدام للكشف عن الأجسام في الوقت الحقيقي باستخدام Streamlit و Ultralytics YOLO11 ؟

يمكن تطبيق الكشف عن الأجسام في الوقت الحقيقي باستخدام Streamlit و Ultralytics YOLO11 في مختلف القطاعات:

• الأمن المراقبة في الوقت الحقيقي للدخول غير المصرح به وأنظمة الإنذار الأمني.
• البيع بالتجزئة: عدّ العملاء، وإدارة الأرفف، وتتبع المخزون.
• الحياة البرية والزراعة: مراقبة الحيوانات وظروف المحاصيل لجهود الحفاظ على البيئة.

لمزيد من حالات الاستخدام المتعمقة والأمثلة، استكشف Ultralytics Solutions.

كيف يمكن مقارنة Ultralytics YOLO11 بنماذج اكتشاف الأجسام الأخرى مثل YOLOv5 و RCNNs؟

Ultralytics YOLO11 يوفر العديد من التحسينات على النماذج السابقة مثل YOLOv5 و RCNNs:

• سرعة ودقة أعلى: أداء محسّن للتطبيقات في الوقت الحقيقي.
• سهولة الاستخدام: واجهات مبسطة ونشر مبسط.
• كفاءة الموارد: مُحسَّن لسرعة أفضل مع الحد الأدنى من المتطلبات الحسابية.

للاطلاع على مقارنة شاملة، راجع Ultralytics YOLO11 Documentation ومنشورات المدونة ذات الصلة التي تناقش أداء النموذج.

📅 تم إنشاؤها قبل 8 أشهر ✏️ تم التحديث منذ 5 أيام

التعليقات