Live-Inferenz mit Streamlit-Anwendung mit Ultralytics YOLO11

Einführung

Streamlit macht es einfach, interaktive Webanwendungen zu erstellen und einzusetzen. Die Kombination mit Ultralytics YOLO11 ermöglicht die Erkennung und Analyse von Objekten in Echtzeit direkt in Ihrem Browser. YOLO11 hohe Genauigkeit und Geschwindigkeit sorgen für eine nahtlose Leistung bei Live-Videostreams und machen es ideal für Anwendungen in den Bereichen Sicherheit, Einzelhandel und darüber hinaus.

Beobachten: Wie man Streamlit mit Ultralytics für Echtzeit verwendet Computer Vision in Ihrem Browser

Aquakultur	Haltung von Tieren
Fischdetektion mit Ultralytics YOLO11	Tiere Erkennung mit Ultralytics YOLO11

Vorteile der Live-Inferenz

• Nahtlose Objekt-Erkennung in Echtzeit: Streamlit in Kombination mit YOLO11 ermöglicht die Objekterkennung in Echtzeit direkt aus Ihrem Webcam-Feed. Dies ermöglicht sofortige Analysen und Einblicke und ist ideal für Anwendungen, die sofortiges Feedback erfordern.
• Benutzerfreundlicher Einsatz: Die interaktive Benutzeroberfläche von Streamlit macht es einfach, die Anwendung ohne umfassende technische Kenntnisse einzusetzen und zu nutzen. Die Benutzer können die Live-Inferenz mit einem einfachen Klick starten, was die Zugänglichkeit und Benutzerfreundlichkeit verbessert.
• Effiziente Ressourcennutzung: Der optimierte Algorithmus YOLO11 sorgt für eine Hochgeschwindigkeitsverarbeitung mit minimalen Rechenressourcen. Diese Effizienz ermöglicht eine reibungslose und zuverlässige Webcam-Inferenz auch auf Standard-Hardware und macht fortschrittliche Computer Vision für ein breiteres Publikum zugänglich.

Streamlit-Anwendungscode

yolo streamlit-predict

from ultralytics import solutions

solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`

Dadurch wird die Streamlit-Anwendung in Ihrem Standard-Webbrowser gestartet. Sie sehen den Haupttitel, den Untertitel und die Seitenleiste mit den Konfigurationsoptionen. Wählen Sie das gewünschte YOLO11 Modell aus, legen Sie die Konfidenz- und NMS-Schwellenwerte fest und klicken Sie auf die Schaltfläche "Start", um mit der Echtzeit-Objekterkennung zu beginnen.

Optional können Sie unter Python ein bestimmtes Modell angeben:

from ultralytics import solutions

# Pass a model as an argument
solutions.inference(model="path/to/model.pt")

### Make sure to run the file using command `streamlit run <file-name.py>`

Schlussfolgerung

Wenn Sie diese Anleitung befolgt haben, haben Sie erfolgreich eine Anwendung zur Objekterkennung in Echtzeit mit Streamlit und Ultralytics YOLO11 erstellt. Mit dieser Anwendung können Sie die Leistungsfähigkeit von YOLO11 bei der Erkennung von Objekten über Ihre Webcam erleben, mit einer benutzerfreundlichen Oberfläche und der Möglichkeit, den Videostream jederzeit zu stoppen.

Für weitere Verbesserungen können Sie weitere Funktionen hinzufügen, wie z. B. die Aufzeichnung des Videostroms, das Speichern der kommentierten Bilder oder die Integration mit anderen Computer Vision Bibliotheken.

Teilen Sie Ihre Gedanken mit der Gemeinschaft

Tauschen Sie sich mit der Community aus, um mehr zu erfahren, Probleme zu beheben und Ihre Projekte zu teilen:

Wo Sie Hilfe und Unterstützung finden

• GitHub Issues: Besuchen Sie das Ultralytics GitHub-Repository, um Fragen zu stellen, Fehler zu melden und Funktionen vorzuschlagen.
• Ultralytics Discord-Server: Treten Sie dem Ultralytics Discord-Server bei, um mit anderen Benutzern und Entwicklern in Kontakt zu treten, Unterstützung zu erhalten, Wissen auszutauschen und Ideen zu entwickeln.

Offizielle Dokumentation

• Ultralytics YOLO11 Dokumentation: In der offiziellen Dokumentation YOLO11 finden Sie umfassende Anleitungen und Einblicke in verschiedene Computer-Vision-Aufgaben und -Projekte.

FAQ

Wie kann ich eine Echtzeit-Objekterkennungsanwendung mit Streamlit und Ultralytics YOLO11 einrichten?

Die Einrichtung einer Echtzeit-Objekterkennungsanwendung mit Streamlit und Ultralytics YOLO11 ist ganz einfach. Stellen Sie zunächst sicher, dass Sie das Paket Ultralytics Python installiert haben:

pip install ultralytics

Anschließend können Sie eine einfache Streamlit-Anwendung erstellen, um Live-Inferenzen durchzuführen:

from ultralytics import solutions

solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`

yolo streamlit-predict

Weitere Einzelheiten zur praktischen Einrichtung finden Sie im Abschnitt Streamlit Application Code der Dokumentation.

Was sind die Hauptvorteile der Verwendung von Ultralytics YOLO11 mit Streamlit für die Objekterkennung in Echtzeit?

Die Verwendung von Ultralytics YOLO11 mit Streamlit zur Objekterkennung in Echtzeit bietet mehrere Vorteile:

• Nahtlose Erkennung in Echtzeit: Erzielen Sie eine hochpräzise Objekterkennung in Echtzeit direkt von Webcam-Feeds.
• Benutzerfreundliches Interface: Die intuitive Benutzeroberfläche von Streamlit ermöglicht eine einfache Nutzung und Bereitstellung ohne umfangreiche technische Kenntnisse.
• Ressourceneffizienz: Die optimierten Algorithmen von YOLO11 gewährleisten eine Hochgeschwindigkeitsverarbeitung mit minimalen Rechenressourcen.

Mehr über diese Vorteile erfahren Sie hier.

Wie kann ich eine Streamlit-Objekterkennungsanwendung in meinem Webbrowser einsetzen?

Nach der Codierung Ihrer Streamlit-Anwendung, die Ultralytics YOLO11 integriert, können Sie sie durch Ausführen von:

streamlit run <file-name.py>

Mit diesem Befehl wird die Anwendung in Ihrem Standard-Webbrowser gestartet, so dass Sie YOLO11 Modelle auswählen, Konfidenz- und NMS-Schwellenwerte festlegen und die Objekterkennung in Echtzeit mit einem einfachen Klick starten können. Eine ausführliche Anleitung finden Sie im Abschnitt " Streamlit-Anwendungscode ".

Was sind einige Anwendungsfälle für die Echtzeit-Objekterkennung mit Streamlit und Ultralytics YOLO11 ?

Die Objekterkennung in Echtzeit mit Streamlit und Ultralytics YOLO11 kann in verschiedenen Bereichen eingesetzt werden:

• Sicherheit: Echtzeitüberwachung auf unbefugten Zugriff.
• Einzelhandel: Kundenzählung, Regalverwaltung und mehr.
• Wildtiere und Landwirtschaft: Überwachung von Tieren und Erntebedingungen.

Ausführlichere Anwendungsfälle und Beispiele finden Sie unter Ultralytics Lösungen.

Wie schneidet Ultralytics YOLO11 im Vergleich zu anderen Objekterkennungsmodellen wie YOLOv5 und RCNNs ab?

Ultralytics YOLO11 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 höhere Geschwindigkeit bei minimalen Rechenanforderungen.

Einen umfassenden Vergleich finden Sie in der DokumentationUltralytics YOLO11 und in den entsprechenden Blog-Beiträgen zur Leistung der Modelle.

📅 Erstellt vor 5 Monaten ✏️ Aktualisiert vor 1 Monat

Kommentare