YOLO Vision 2026:

Live-Inferenz mit Streamlit-Anwendung unter Verwendung von Ultralytics YOLO26#

Einführung#

Streamlit macht es einfach, interaktive Webanwendungen zu erstellen und bereitzustellen. In Kombination mit Ultralytics YOLO26 ermöglicht dies die Objekterkennung und -analyse in Echtzeit direkt in deinem Browser. Die hohe Genauigkeit und Geschwindigkeit von YOLO26 sorgen für eine reibungslose Leistung bei Live-Videostreams, was es ideal für Anwendungen in den Bereichen Sicherheit, Einzelhandel und darüber hinaus macht.



Watch: How to Build a Live Inference App with Ultralytics YOLO26 & Streamlit | Detection & Segmentation 🚀
AquakulturTierhaltung
Fish Detection using Ultralytics YOLO26Animals Detection using Ultralytics YOLO26
Fischerkennung mit Ultralytics YOLO26Tiererkennung mit Ultralytics YOLO26

Vorteile der Live-Inferenz#

  • Nahtlose Objekterkennung in Echtzeit: Streamlit in Kombination mit YOLO26 ermöglicht die Objekterkennung in Echtzeit direkt über deinen Webcam-Feed. Dies ermöglicht sofortige Analysen und Einblicke, wodurch es sich ideal für Anwendungen eignet, die ein sofortiges Feedback erfordern.
  • Benutzerfreundliche Bereitstellung: Die interaktive Schnittstelle von Streamlit macht es einfach, die Anwendung ohne umfassende technische Kenntnisse bereitzustellen und zu nutzen. Benutzer können die Live-Inferenz mit einem einfachen Klick starten, was die Zugänglichkeit und Benutzerfreundlichkeit verbessert.
  • Effiziente Ressourcennutzung: Die optimierten Algorithmen von YOLO26 sorgen für eine Hochgeschwindigkeitsverarbeitung bei minimalen Rechenressourcen. Diese Effizienz ermöglicht eine reibungslose und zuverlässige Webcam-Inferenz selbst auf Standard-Hardware, wodurch fortschrittliche Computer Vision einem breiteren Publikum zugänglich gemacht wird.

Streamlit-Anwendungscode#

Ultralytics Installation

Bevor du mit dem Erstellen der Anwendung beginnst, stelle sicher, dass das Ultralytics Python-Paket installiert ist.

pip install ultralytics
Inferenz unter Verwendung von Streamlit mit Ultralytics YOLO
yolo solutions inference

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

yolo solutions help # list the available solution commands and arguments

Diese Befehle starten die standardmäßige Streamlit-Oberfläche, die mit Ultralytics mitgeliefert wird.

Dadurch wird die Streamlit-Anwendung in deinem Standard-Webbrowser gestartet. Du siehst den Haupttitel, den Untertitel und die Seitenleiste mit Konfigurationsoptionen. Wähle dein gewünschtes YOLO26-Modell aus, lege die Konfidenz- und NMS-Schwellenwerte fest und klicke auf die Schaltfläche „Start“, um die Echtzeit-Objekterkennung zu starten.

So funktioniert es#

Unter der Haube verwendet die Streamlit-Anwendung das Ultralytics Solutions-Modul, um eine interaktive Benutzeroberfläche zu erstellen. Wenn du die Inferenz startest, führt die Anwendung Folgendes aus:

  1. Erfasst Video von deiner Webcam oder einer hochgeladenen Videodatei
  2. Verarbeitet jeden Frame durch das YOLO26-Modell
  3. Wendet die Objekterkennung mit deinen festgelegten Konfidenz- und IoU-Schwellenwerten an
  4. Zeigt sowohl die originalen als auch die annotierten Frames in Echtzeit an
  5. Aktiviert optional die Objektverfolgung, falls ausgewählt

Die Anwendung bietet eine saubere, benutzerfreundliche Oberfläche mit Steuerelementen zur Anpassung von Modellparametern und zum Starten/Stoppen der Inferenz zu jedem Zeitpunkt.

Fazit#

Indem du diesem Leitfaden folgst, hast du erfolgreich eine Objekterkennungsanwendung in Echtzeit unter Verwendung von Streamlit und Ultralytics YOLO26 erstellt. Diese Anwendung ermöglicht es dir, die Leistungsfähigkeit von YOLO26 bei der Erkennung von Objekten über deine Webcam mit einer benutzerfreundlichen Oberfläche zu erleben, wobei du den Videostream jederzeit stoppen kannst.

Für weitere Verbesserungen kannst du das Hinzufügen weiterer Funktionen wie das Aufnehmen des Videostreams, das Speichern der annotierten Frames oder die Integration mit anderen Computer-Vision-Bibliotheken erkunden.

FAQ#

  • Das Einrichten einer Objekterkennungsanwendung in Echtzeit mit Streamlit und Ultralytics YOLO26 ist unkompliziert. Stelle zunächst sicher, dass das Ultralytics Python-Paket installiert ist:

    pip install ultralytics

    Dann kannst du eine einfache Streamlit-Anwendung erstellen, um die Live-Inferenz auszuführen:

    Streamlit-Anwendung
    from ultralytics import solutions

inf = solutions.Inference(
    model="yolo26n.pt",  # you can use any model that Ultralytics supports, e.g., YOLO26, YOLOv10
)

inf.inference()

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

    Weitere Einzelheiten zum praktischen Setup findest du im Abschnitt Streamlit-Anwendungscode in der Dokumentation.

  • Die Verwendung von Ultralytics YOLO26 mit Streamlit zur Objekterkennung in Echtzeit bietet mehrere Vorteile:

    • Nahtlose Erkennung in Echtzeit: Erziele hochpräzise Objekterkennung in Echtzeit direkt aus Webcam-Feeds.
    • Benutzerfreundliche Schnittstelle: Die intuitive Schnittstelle von Streamlit ermöglicht eine einfache Nutzung und Bereitstellung ohne tiefgreifende technische Kenntnisse.
    • Ressourceneffizienz: Die optimierten Algorithmen von YOLO26 gewährleisten eine Hochgeschwindigkeitsverarbeitung bei minimalem Rechenaufwand.

    Erfahre mehr über diese Vorteile im Abschnitt Vorteile der Live-Inferenz.

  • Nachdem du deine Streamlit-Anwendung mit Integration von Ultralytics YOLO26 programmiert hast, kannst du sie durch Ausführen des folgenden Befehls bereitstellen:

    streamlit run path/to/file.py

    Dieser Befehl startet die Anwendung in deinem Standard-Webbrowser, sodass du YOLO26-Modelle auswählen, Konfidenz- und NMS-Schwellenwerte festlegen und die Echtzeit-Objekterkennung mit einem einfachen Klick starten kannst. Eine detaillierte Anleitung findest du im Abschnitt Streamlit-Anwendungscode.

  • Die Objekterkennung in Echtzeit mit Streamlit und Ultralytics YOLO26 kann in verschiedenen Sektoren eingesetzt werden:

    Weitere tiefgehende Anwendungsfälle und Beispiele findest du unter Ultralytics Solutions.

  • Ultralytics YOLO26 bietet mehrere Verbesserungen gegenüber früheren Modellen wie YOLOv5 und RCNNs:

    • Höhere Geschwindigkeit und Genauigkeit: Verbesserte Leistung für Echtzeitanwendungen.
    • Benutzerfreundlichkeit: Vereinfachte Schnittstellen und Bereitstellung.
    • Ressourceneffizienz: Optimiert für bessere Geschwindigkeit bei minimalen Rechenanforderungen.

    Für einen umfassenden Vergleich schaue dir die Ultralytics YOLO26-Dokumentation und zugehörige Blogbeiträge zur Modellleistung an.

Mitwirkende
GLglenn-jocher13RIRizwanMunawar8RAraimbekovm3PDpderrenger1MAMatthewNoyce1JKjk4e1AMambitious-octopus1RUrulosant1

Kommentare