Ultralytics YOLO27:

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

Einleitung#

Mit Streamlit lassen sich interaktive Webanwendungen einfach erstellen und bereitstellen. 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 nahtlose Verarbeitung von Live-Videostreams und machen das System ideal für Anwendungen in den Bereichen Sicherheit, Einzelhandel und darüber hinaus.



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

Vorteile der Live-Inferenz#

  • Nahtlose Objekterkennung in Echtzeit: Streamlit ermöglicht zusammen mit YOLO26 die Objekterkennung in Echtzeit direkt über deinen Webcam-Stream. Dadurch erhältst du sofortige Analysen und Erkenntnisse – ideal für Anwendungen, die unmittelbares Feedback erfordern.
  • Benutzerfreundliche Bereitstellung: Die interaktive Oberfläche von Streamlit erleichtert die Bereitstellung und Nutzung der Anwendung, ohne dass umfangreiche technische Kenntnisse erforderlich sind. Du kannst die Live-Inferenz mit einem einfachen Klick starten, was die Zugänglichkeit und Benutzerfreundlichkeit verbessert.
  • Effiziente Ressourcennutzung: Die optimierten Algorithmen von YOLO26 ermöglichen eine schnelle Verarbeitung bei minimalem Rechenaufwand. Dadurch ist eine flüssige und zuverlässige Inferenz über die Webcam auch auf Standardhardware möglich, wodurch fortschrittliche Computer Vision einem größeren Nutzerkreis zugänglich wird.

Code der Streamlit-Anwendung#

Installation von Ultralytics

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

pip install ultralytics
Inferenz mit Streamlit und Ultralytics YOLO
yolo solutions inference

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

yolo solutions help # list the available solution commands and arguments

Mit diesen Befehlen wird die standardmäßige Streamlit-Oberfläche gestartet, die mit Ultralytics ausgeliefert wird.

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

Funktionsweise#

Im Hintergrund verwendet die Streamlit-Anwendung das Ultralytics-Lösungsmodul, um eine interaktive Oberfläche zu erstellen. Wenn du die Inferenz startest, führt die Anwendung folgende Schritte aus:

  1. Erfasst Videos von deiner Webcam oder aus einer hochgeladenen Videodatei
  2. Verarbeitet jedes Einzelbild mit dem YOLO26-Modell
  3. Wendet die Objekterkennung mit den von dir festgelegten Konfidenz- und IoU-Schwellenwerten an
  4. Zeigt sowohl die Originalbilder als auch die annotierten Bilder in Echtzeit an
  5. Aktiviert optional die Objektverfolgung, wenn diese ausgewählt wurde

Die Anwendung bietet eine übersichtliche, benutzerfreundliche Oberfläche mit Steuerelementen zum Anpassen der Modellparameter sowie zum jederzeitigen Starten und Stoppen der Inferenz.

Fazit#

Mit dieser Anleitung hast du erfolgreich eine Anwendung zur Objekterkennung in Echtzeit mit Streamlit und Ultralytics YOLO26 erstellt. Die Anwendung ermöglicht es dir, die Leistungsfähigkeit von YOLO26 bei der Erkennung von Objekten über deine Webcam zu erleben. Sie bietet eine benutzerfreundliche Oberfläche und die Möglichkeit, den Videostream jederzeit zu stoppen.

Für weitere Verbesserungen kannst du zusätzliche Funktionen wie das Aufzeichnen des Videostreams, das Speichern der annotierten Bilder oder die Integration anderer Computer-Vision-Bibliotheken hinzufügen.

FAQ#

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

    pip install ultralytics

    Anschließend kannst du eine einfache Streamlit-Anwendung für die Live-Inferenz erstellen:

    Streamlit-Anwendung
    from ultralytics import solutions

inf = solutions.Inference(
    model="yolo26n.pt",  # you can use any model that Ultralytics supports, e.g., YOLO26, or a custom-trained model
)

inf.inference()

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

    Weitere Informationen zur praktischen Einrichtung findest du im Abschnitt Code der Streamlit-Anwendung der Dokumentation.

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

    • Nahtlose Erkennung in Echtzeit: Erreiche eine Objekterkennung in Echtzeit mit hoher Genauigkeit direkt über Webcam-Streams.
    • Benutzerfreundliche Oberfläche: Die intuitive Oberfläche von Streamlit ermöglicht eine einfache Nutzung und Bereitstellung ohne umfangreiche technische Kenntnisse.
    • Effiziente Ressourcennutzung: Die optimierten Algorithmen von YOLO26 ermöglichen eine schnelle Verarbeitung bei minimalem Rechenaufwand.

    Mehr über diese Vorteile erfährst du im Abschnitt Vorteile der Live-Inferenz.

  • Nachdem du deine Streamlit-Anwendung mit Ultralytics YOLO26 programmiert hast, kannst du sie mit folgendem Befehl bereitstellen:

    streamlit run path/to/file.py

    Mit diesem Befehl wird die Anwendung in deinem Standardbrowser gestartet. Du kannst YOLO26-Modelle auswählen, Konfidenz- und NMS-Schwellenwerte festlegen und die Objekterkennung in Echtzeit mit einem einfachen Klick starten. Eine ausführliche Anleitung findest du im Abschnitt Code der Streamlit-Anwendung.

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

    Weitere ausführliche Anwendungsfälle und Beispiele findest du unter Ultralytics Solutions.

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

    • Höhere Geschwindigkeit und Genauigkeit: Verbesserte Leistung für Echtzeitanwendungen.
    • Einfache Nutzung: Vereinfachte Oberflächen und Bereitstellung.
    • Effiziente Ressourcennutzung: Für höhere Geschwindigkeit bei minimalem Rechenaufwand optimiert.

    Einen umfassenden Vergleich findest du in der Ultralytics-YOLO26-Dokumentation und in zugehörigen Blogbeiträgen zur Modellleistung.

Mitwirkende
GLglenn-jocher14RIRizwanMunawar8RAraimbekovm3PDpderrenger1MAMatthewNoyce1JKjk4e1AMambitious-octopus1RUrulosant1

Kommentare