Link to this sectionInteraktive Objekterkennung: Gradio & Ultralytics YOLO26 🚀#

Link to this sectionEinführung in die interaktive Objekterkennung#

Diese Gradio-Schnittstelle bietet eine einfache und interaktive Möglichkeit, Objekterkennung mit dem Ultralytics YOLO26 Modell durchzuführen. Nutzer können Bilder hochladen und Parameter wie Konfidenz-Schwellenwert und Intersection-over-Union (IoU)-Schwellenwert anpassen, um Erkennungsergebnisse in Echtzeit zu erhalten.

Link to this sectionWarum Gradio für die Objekterkennung nutzen?#

• Benutzerfreundliche Oberfläche: Gradio bietet eine unkomplizierte Plattform, auf der Nutzer Bilder hochladen und Erkennungsergebnisse ohne Programmieraufwand visualisieren können.
• Anpassungen in Echtzeit: Parameter wie Konfidenz- und IoU-Schwellenwerte lassen sich direkt anpassen, was unmittelbares Feedback und die Optimierung der Erkennungsergebnisse ermöglicht.
• Breite Zugänglichkeit: Auf die Gradio-Weboberfläche kann jeder zugreifen, was sie zu einem hervorragenden Werkzeug für Demonstrationen, Bildungszwecke und schnelle Experimente macht.

Link to this sectionSo installierst du Gradio#

pip install gradio

Link to this sectionSo verwendest du die Oberfläche#

1. Bild hochladen: Klicke auf 'Bild hochladen', um eine Bilddatei für die Objekterkennung auszuwählen.
2. Parameter anpassen:
   • Konfidenz-Schwellenwert: Schieberegler zum Einstellen der minimalen Konfidenzstufe für das Erkennen von Objekten.
   • IoU-Schwellenwert: Schieberegler zum Einstellen des IoU-Schwellenwerts zur Unterscheidung verschiedener Objekte.
3. Ergebnisse anzeigen: Das verarbeitete Bild mit den erkannten Objekten und deren Beschriftungen wird angezeigt.

Link to this sectionBeispielanwendungsfälle#

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

Link to this sectionAnwendungsbeispiel#

Dieser Abschnitt enthält den Python-Code, der zum Erstellen einer Gradio-Schnittstelle für die Ultralytics YOLO26 Objekterkennung verwendet wird. Das Beispiel kann durch Laden des entsprechenden Modell-Checkpoints für Klassifizierung, Instanz-Segmentierung, Pose-Erkennung und andere YOLO-Aufgaben angepasst werden.

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()

Link to this sectionParametererklärung#

Link to this sectionKomponenten der Gradio-Schnittstelle#

Link to this sectionFAQ#

Link to this sectionWie verwende ich Gradio mit Ultralytics YOLO26 für die Objekterkennung?#

Um Gradio mit Ultralytics YOLO26 für die Objekterkennung zu verwenden, kannst du diese Schritte befolgen:

1. Gradio installieren: Verwende den Befehl pip install gradio.
2. Schnittstelle erstellen: Schreibe ein Python-Skript, um die Gradio-Schnittstelle zu initialisieren. Details dazu findest du im bereitgestellten Codebeispiel in der Dokumentation.
3. Hochladen und Anpassen: Lade dein Bild hoch und passe die Konfidenz- und IoU-Schwellenwerte auf der Gradio-Oberfläche an, um Objekterkennungsergebnisse in Echtzeit zu erhalten.

Hier ist ein minimales Code-Snippet 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()

Link to this sectionWas sind die Vorteile der Verwendung von Gradio für die Ultralytics YOLO26 Objekterkennung?#

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

• Benutzerfreundliche Oberfläche: Gradio bietet eine intuitive Schnittstelle, über die Nutzer Bilder hochladen und Erkennungsergebnisse ohne Programmieraufwand visualisieren können.
• Anpassungen in Echtzeit: Du kannst Erkennungsparameter wie Konfidenz- und IoU-Schwellenwerte dynamisch anpassen und die Auswirkungen sofort sehen.
• Zugänglichkeit: Die Weboberfläche ist für jeden zugänglich, was sie nützlich für schnelle Experimente, Bildungszwecke und Demonstrationen macht.

Weitere Details findest du in diesem Blogbeitrag über KI in der Radiologie, der ähnliche interaktive Visualisierungstechniken vorstellt.

Link to this sectionKann ich Gradio und Ultralytics YOLO26 gemeinsam für Bildungszwecke verwenden?#

Ja, Gradio und Ultralytics YOLO26 können effektiv gemeinsam für Bildungszwecke genutzt werden. Die intuitive Weboberfläche von Gradio macht es für Schüler, Studierende und Lehrende einfach, mit hochmodernen Deep Learning Modellen wie Ultralytics YOLO26 zu interagieren, ohne dass fortgeschrittene Programmierkenntnisse erforderlich sind. Dieses Setup ist ideal, um Schlüsselkonzepte der Objekterkennung und Computer Vision zu demonstrieren, da Gradio unmittelbares visuelles Feedback liefert, was dabei hilft, die Auswirkungen verschiedener Parameter auf die Erkennungsleistung zu verstehen.

Link to this sectionWie passe ich die Konfidenz- und IoU-Schwellenwerte in der Gradio-Schnittstelle für YOLO26 an?#

In der Gradio-Schnittstelle für YOLO26 kannst du die Konfidenz- und IoU-Schwellenwerte über die bereitgestellten Schieberegler anpassen. Diese Schwellenwerte helfen dabei, die Vorhersage-Genauigkeit und die Objekttrennung zu steuern:

• Konfidenz-Schwellenwert: Bestimmt den minimalen Konfidenzgrad für das Erkennen von Objekten. Verschiebe den Regler, um die erforderliche Konfidenz zu erhöhen oder zu verringern.
• IoU-Schwellenwert: Legt den Intersection-over-Union-Schwellenwert für die Unterscheidung zwischen überlappenden Objekten fest. Passe diesen Wert an, um die Objekttrennung zu verfeinern.

Weitere Informationen zu diesen Parametern findest du im Abschnitt zur Parametererklärung.

Link to this sectionWas sind einige praktische Anwendungen für die Verwendung von Ultralytics YOLO26 mit Gradio?#

Praktische Anwendungen der Kombination von Ultralytics YOLO26 mit Gradio umfassen:

• Demonstrationen zur Echtzeit-Objekterkennung: Ideal, um zu zeigen, wie Objekterkennung in Echtzeit funktioniert.
• Bildungswerkzeuge: Nützlich in akademischen Umgebungen, um Konzepte der Objekterkennung und Computer Vision zu lehren.
• Prototypentwicklung: Effizient für die schnelle Entwicklung und das Testen von Prototypen für Objekterkennungsanwendungen.
• Community und Zusammenarbeit: Erleichtert das Teilen von Modellen mit der Community für Feedback und Zusammenarbeit.

Beispiele für ähnliche Anwendungsfälle findest du im Ultralytics-Blog zur Überwachung des Tierverhaltens, der zeigt, wie interaktive Visualisierung Naturschutzbemühungen verbessern kann.