Interaktive Object Detection: Gradio & Ultralytics YOLO26 🚀

Einführung in die interaktive Objekterkennung

Diese Gradio-Oberfläche bietet eine einfache und interaktive Möglichkeit, object detection mithilfe des Ultralytics YOLO26-Modells durchzuführen. Benutzer können Bilder hochladen und Parameter wie den Konfidenzschwellenwert und den Intersection-over-Union (IoU)-Schwellenwert anpassen, um Echtzeit-detect-Ergebnisse zu erhalten.

Ansehen: Gradio Integration mit Ultralytics YOLO26

Warum Gradio für die Objekterkennung verwenden?

• Benutzerfreundliche Oberfläche: Gradio bietet eine unkomplizierte Plattform für Benutzer, um Bilder hochzuladen und Erkennungsergebnisse ohne Programmierkenntnisse zu visualisieren.
• Echtzeitanpassungen: Parameter wie Konfidenz- und IoU-Schwellenwerte können dynamisch angepasst werden, was eine sofortige Rückmeldung und Optimierung der detect-Ergebnisse ermöglicht.
• Breite Zugänglichkeit: Die Gradio-Weboberfläche ist für jeden zugänglich und somit ein hervorragendes Werkzeug für Demonstrationen, Bildungszwecke und schnelle Experimente.

Wie man Gradio installiert

pip install gradio

So verwenden Sie die Schnittstelle

1. Bild hochladen: Klicken Sie auf 'Bild hochladen', um eine Bilddatei für die Objekterkennung auszuwählen.
2. Parameter anpassen:
   • Konfidenzschwellenwert: Schieberegler zum Einstellen des minimalen Konfidenzwerts für die Erkennung von Objekten.
   • IoU-Schwellenwert: Schieberegler zum Festlegen des IoU-Schwellenwerts zur Unterscheidung verschiedener Objekte.
3. Ergebnisse anzeigen: Das verarbeitete Bild mit erkannten Objekten und ihren Beschriftungen wird angezeigt.

Anwendungsbeispiele

• Beispielbild 1: Bus-Erkennung mit Standard-Schwellenwerten.
• Beispielbild 2: Erkennung auf einem Sportbild mit Standard-Schwellenwerten.

Anwendungsbeispiel

Dieser Abschnitt stellt den python-Code bereit, der zur Erstellung der Gradio-Schnittstelle mit dem Ultralytics YOLO26-Modell verwendet wird. Der Code unterstützt Klassifizierungsaufgaben, detect-Aufgaben, segment-Aufgaben und Keypoint-Aufgaben.

import gradio as gr
import PIL.Image as Image

from ultralytics import ASSETS, YOLO

model = YOLO("yolo26n.pt")


def predict_image(img, conf_threshold, iou_threshold):
    """Predicts objects in an image using a YOLO26 model with adjustable confidence and IoU thresholds."""
    results = model.predict(
        source=img,
        conf=conf_threshold,
        iou=iou_threshold,
        show_labels=True,
        show_conf=True,
        imgsz=640,
    )

    for r in results:
        im_array = r.plot()
        im = Image.fromarray(im_array[..., ::-1])

    return im


iface = gr.Interface(
    fn=predict_image,
    inputs=[
        gr.Image(type="pil", label="Upload Image"),
        gr.Slider(minimum=0, maximum=1, value=0.25, label="Confidence threshold"),
        gr.Slider(minimum=0, maximum=1, value=0.45, label="IoU threshold"),
    ],
    outputs=gr.Image(type="pil", label="Result"),
    title="Ultralytics Gradio",
    description="Upload images for inference. The Ultralytics YOLO26n model is used by default.",
    examples=[
        [ASSETS / "bus.jpg", 0.25, 0.45],
        [ASSETS / "zidane.jpg", 0.25, 0.45],
    ],
)

if __name__ == "__main__":
    iface.launch()

Erläuterung der Parameter

Gradio-Schnittstellenkomponenten

FAQ

Wie verwende ich Gradio mit Ultralytics YOLO26 für die object detection?

Um Gradio mit Ultralytics YOLO26 für die Objekterkennung zu verwenden, können Sie diese Schritte befolgen:

1. Gradio installieren: Verwenden Sie den Befehl pip install gradio.
2. Schnittstelle erstellen: Schreiben Sie ein python-Skript, um die Gradio-Schnittstelle zu initialisieren. Einzelheiten dazu finden Sie im bereitgestellten Codebeispiel in der Dokumentation.
3. Hochladen und Anpassen: Laden Sie Ihr Bild hoch und passen Sie die Konfidenz- und IoU-Schwellenwerte auf der Gradio-Oberfläche an, um Echtzeit-Objektdetektionsergebnisse zu erhalten.

Hier ist ein minimaler Code-Schnipsel als Referenz:

import gradio as gr

from ultralytics import YOLO

model = YOLO("yolo26n.pt")


def predict_image(img, conf_threshold, iou_threshold):
    results = model.predict(
        source=img,
        conf=conf_threshold,
        iou=iou_threshold,
        show_labels=True,
        show_conf=True,
    )
    return results[0].plot() if results else None


iface = gr.Interface(
    fn=predict_image,
    inputs=[
        gr.Image(type="pil", label="Upload Image"),
        gr.Slider(minimum=0, maximum=1, value=0.25, label="Confidence threshold"),
        gr.Slider(minimum=0, maximum=1, value=0.45, label="IoU threshold"),
    ],
    outputs=gr.Image(type="pil", label="Result"),
    title="Ultralytics Gradio YOLO26",
    description="Upload images for YOLO26 object detection.",
)
iface.launch()

Welche Vorteile bietet die Verwendung von Gradio für die Ultralytics YOLO26 object detection?

Die Verwendung von Gradio für die Ultralytics YOLO26-Objekterkennung bietet mehrere Vorteile:

• Benutzerfreundliche Oberfläche: Gradio bietet eine intuitive Oberfläche für Benutzer, um Bilder hochzuladen und Erkennungsergebnisse ohne Programmieraufwand zu visualisieren.
• Echtzeitanpassungen: Sie können Detektionsparameter wie Konfidenz- und IoU-Schwellenwerte dynamisch anpassen und die Auswirkungen sofort sehen.
• Barrierefreiheit: Die Weboberfläche ist für jeden zugänglich und eignet sich daher für schnelle Experimente, Bildungszwecke und Demonstrationen.

Weitere Details finden Sie in diesem Blog-Post über KI in der Radiologie, der ähnliche interaktive Visualisierungstechniken vorstellt.

Kann ich Gradio und Ultralytics YOLO26 zusammen für Bildungszwecke verwenden?

Ja, Gradio und Ultralytics YOLO26 können effektiv gemeinsam für Bildungszwecke eingesetzt werden. Die intuitive Weboberfläche von Gradio erleichtert es Studierenden und Lehrenden, mit hochmodernen Deep-Learning-Modellen wie Ultralytics YOLO26 zu interagieren, ohne fortgeschrittene Programmierkenntnisse zu benötigen. Diese Einrichtung ist ideal, um Schlüsselkonzepte der Objekterkennung und des Computer Vision zu demonstrieren, da Gradio sofortiges visuelles Feedback liefert, das zum Verständnis des Einflusses verschiedener Parameter auf die detect-Leistung beiträgt.

Wie passe ich die Konfidenz- und IoU-Schwellenwerte in der Gradio-Oberfläche für YOLO26 an?

In der Gradio-Schnittstelle für YOLO26 können Sie die Konfidenz- und IoU-Schwellenwerte mithilfe der bereitgestellten Schieberegler anpassen. Diese Schwellenwerte helfen, die Vorhersage-Genauigkeit und Objekttrennung zu steuern:

• Konfidenzschwellenwert: Bestimmt den minimalen Konfidenzwert für die Erkennung von Objekten. Schieben Sie den Regler, um die erforderliche Konfidenz zu erhöhen oder zu verringern.
• IoU-Schwellenwert: Legt den Intersection-over-Union-Schwellenwert fest, um überlappende Objekte zu unterscheiden. Passen Sie diesen Wert an, um die Objekttrennung zu verfeinern.

Weitere Informationen zu diesen Parametern finden Sie im Abschnitt Erläuterung der Parameter.

Welche praktischen Anwendungen gibt es für die Verwendung von Ultralytics YOLO26 mit Gradio?

Praktische Anwendungen der Kombination von Ultralytics YOLO26 mit Gradio umfassen:

• Echtzeit-Objekterkennungsdemonstrationen: Ideal, um zu zeigen, wie Objekterkennung in Echtzeit funktioniert.
• Lehrmittel: Nützlich in akademischen Umgebungen, um Objekterkennung und Computer-Vision-Konzepte zu vermitteln.
• Prototypenentwicklung: Effizient für die schnelle Entwicklung und das Testen von Prototyp-Objekterkennungsanwendungen.
• Community und Zusammenarbeit: Es ist einfach, Modelle mit der Community zu teilen, um Feedback und Zusammenarbeit zu ermöglichen.

Beispiele für ähnliche Anwendungsfälle finden Sie im Ultralytics-Blog zur Überwachung des Tierverhaltens, der zeigt, wie die interaktive Visualisierung die Bemühungen zum Schutz der Tierwelt verbessern kann.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 5 Tagen

Kommentare