Zum Inhalt springen

Live Inference mit Streamlit Anwendung mit Ultralytics YOLOv8

EinfĂŒhrung

Streamlit macht es einfach, interaktive Webanwendungen zu erstellen und einzusetzen. Die Kombination mit Ultralytics YOLOv8 ermöglicht die Erkennung und Analyse von Objekten in Echtzeit direkt in deinem Browser. YOLOv8 hohe Genauigkeit und Geschwindigkeit sorgen fĂŒr eine nahtlose Leistung bei Live-Videostreams und sind damit ideal fĂŒr Anwendungen in den Bereichen Sicherheit, Einzelhandel und darĂŒber hinaus.

Aquakultur Haltung von Tieren
Fischdetektion mit Ultralytics YOLOv8 Tiere Erkennung mit Ultralytics YOLOv8
Fischdetektion mit Ultralytics YOLOv8 Tiere Erkennung mit Ultralytics YOLOv8

Vorteile der Live-Inferenz

  • Nahtlose Objekterkennung in Echtzeit: Streamlit in Kombination mit YOLOv8 ermöglicht die Objekterkennung in Echtzeit direkt aus deinem Webcam-Feed. Das ermöglicht sofortige Analysen und Erkenntnisse und ist damit ideal fĂŒr Anwendungen, die sofortiges Feedback erfordern.
  • Benutzerfreundlicher Einsatz: Die interaktive BenutzeroberflĂ€che von Streamlit macht es einfach, die Anwendung ohne umfassende technische Kenntnisse einzusetzen und zu nutzen. Die Nutzer können die Live-Inferenz mit einem einfachen Klick starten, was die ZugĂ€nglichkeit und Benutzerfreundlichkeit verbessert.
  • Effiziente Ressourcennutzung: Der optimierte Algorithmus YOLOv8 sorgt fĂŒr eine Hochgeschwindigkeitsverarbeitung mit minimalen Rechenressourcen. Diese Effizienz ermöglicht eine reibungslose und zuverlĂ€ssige Webcam-Inferenz auch auf Standard-Hardware und macht fortschrittliches Computer Vision fĂŒr ein breiteres Publikum zugĂ€nglich.

Streamlit Anwendungscode

Ultralytics Installation

Bevor du mit der Erstellung der Anwendung beginnst, musst du sicherstellen, dass du das Ultralytics Python Paket installiert hast. Du kannst es mit dem Befehl pip install installieren ultralytics

Streamlit-Anwendung

from ultralytics import solutions

solutions.inference()

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

Dadurch wird die Streamlit-Anwendung in deinem Standard-Webbrowser gestartet. Du siehst den Haupttitel, den Untertitel und die Seitenleiste mit den Konfigurationsoptionen. WĂ€hle dein gewĂŒnschtes YOLOv8 Modell aus, lege die Konfidenz- und NMS-Schwellenwerte fest und klicke auf die SchaltflĂ€che "Starten", um die Objekterkennung in Echtzeit zu starten.

Fazit

Wenn du diese Anleitung befolgst, hast du erfolgreich eine Anwendung zur Objekterkennung in Echtzeit mit Streamlit und Ultralytics YOLOv8 erstellt. Diese Anwendung ermöglicht es dir, die LeistungsfĂ€higkeit von YOLOv8 bei der Erkennung von Objekten ĂŒber deine Webcam zu erleben, mit einer benutzerfreundlichen OberflĂ€che und der Möglichkeit, den Videostream jederzeit zu stoppen.

FĂŒr weitere Verbesserungen kannst du weitere Funktionen hinzufĂŒgen, z. B. die Aufzeichnung des Videostreams, das Speichern der kommentierten Bilder oder die Integration mit anderen Computer Vision Bibliotheken.

Teilen Sie Ihre Gedanken mit der Community

Beteilige dich an der Community, um mehr zu erfahren, Probleme zu beheben und deine Projekte zu teilen:

Wo Sie Hilfe und Support finden

  • GitHub Issues: Besuche das Ultralytics GitHub Repository, um Fragen zu stellen, Fehler zu melden und Funktionen vorzuschlagen.
  • Ultralytics Discord-Server: Treten Sie dem Ultralytics Discord-Server , um sich mit anderen Benutzern und Entwicklern zu verbinden, UnterstĂŒtzung zu erhalten, Wissen auszutauschen und Ideen zu sammeln.

Offizielle Dokumentation

FAQ

Wie kann ich eine Echtzeit-Objekterkennungsanwendung mit Streamlit und Ultralytics YOLOv8 einrichten?

Das Einrichten einer Echtzeit-Objekterkennungsanwendung mit Streamlit und Ultralytics YOLOv8 ist ganz einfach. Zuerst musst du sicherstellen, dass du das Paket Ultralytics Python installiert hast:

pip install ultralytics

Dann kannst du eine einfache Streamlit-Anwendung erstellen, um Live-Inferenzen durchzufĂŒhren:

Streamlit-Anwendung

from ultralytics import solutions
solutions.inference()

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

Weitere Details zur praktischen Einrichtung findest du im Abschnitt Streamlit Application Code in der Dokumentation.

Was sind die wichtigsten Vorteile der Verwendung von Ultralytics YOLOv8 mit Streamlit fĂŒr die Objekterkennung in Echtzeit?

Die Verwendung von Ultralytics YOLOv8 mit Streamlit zur Objekterkennung in Echtzeit bietet mehrere Vorteile:

  • Nahtlose Erkennung in Echtzeit: Erziele eine hochprĂ€zise Objekterkennung in Echtzeit direkt aus Webcam-Feeds.
  • Benutzerfreundliches Interface: Die intuitive BenutzeroberflĂ€che von Streamlit ermöglicht eine einfache Nutzung und Bereitstellung ohne umfassende technische Kenntnisse.
  • Ressourceneffizienz: Die optimierten Algorithmen von YOLOv8 sorgen fĂŒr eine Hochgeschwindigkeitsverarbeitung mit minimalen Rechenressourcen.

Mehr ĂŒber diese Vorteile erfĂ€hrst du hier.

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

Nachdem du deine Streamlit-Anwendung kodiert und in Ultralytics integriert hast, kannst du sie durch AusfĂŒhren vonYOLOv8 bereitstellen:

streamlit run <file-name.py>

Dieser Befehl startet die Anwendung in deinem Standard-Webbrowser und ermöglicht es dir, YOLOv8 Modelle auszuwÀhlen, Konfidenz- und NMS-Schwellenwerte festzulegen und die Objekterkennung in Echtzeit mit einem einfachen Klick zu starten. Eine detaillierte Anleitung findest du im Abschnitt Streamlit-Anwendungscode.

Welche AnwendungsfĂ€lle gibt es fĂŒr die Echtzeit-Objekterkennung mit Streamlit und Ultralytics YOLOv8 ?

Die Objekterkennung in Echtzeit mit Streamlit und Ultralytics YOLOv8 kann in verschiedenen Bereichen eingesetzt werden:

  • Sicherheit: Echtzeit-Überwachung auf unbefugten Zugriff.
  • Einzelhandel: KundenzĂ€hlung, Regalverwaltung und mehr.
  • Wildtiere und Landwirtschaft: Überwachung von Tieren und Erntebedingungen.

AusfĂŒhrlichere AnwendungsfĂ€lle und Beispiele findest du unter Ultralytics Lösungen.

Wie schneidet Ultralytics YOLOv8 im Vergleich zu anderen Objekterkennungsmodellen wie YOLOv5 und RCNNs ab?

Ultralytics YOLOv8 bietet mehrere Verbesserungen gegenĂŒber frĂŒheren Modellen wie YOLOv5 und RCNNs:

  • Höhere Geschwindigkeit und Genauigkeit: Verbesserte Leistung fĂŒr Echtzeitanwendungen.
  • Benutzerfreundlichkeit: Vereinfachte Schnittstellen und Bereitstellung.
  • Ressourceneffizienz: Optimiert fĂŒr mehr Geschwindigkeit bei minimalem Rechenaufwand.

Einen umfassenden Vergleich findest du in der Ultralytics YOLOv8 Dokumentation und den dazugehörigen BlogbeitrĂ€gen ĂŒber die Leistung der Modelle.



Erstellt am 2024-07-05, Aktualisiert am 2024-07-05
Autoren: glenn-jocher (1)

Kommentare