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. Du kannst Bilder hochladen und Parameter wie den Konfidenz-Schwellenwert und den Intersection-over-Union (IoU)-Schwellenwert anpassen, um Echtzeit-Erkennungsergebnisse zu erhalten.

Link to this sectionWarum Gradio für die Objekterkennung nutzen?#

• Benutzerfreundliche Schnittstelle: Gradio bietet eine einfache Plattform für Nutzer, um Bilder hochzuladen und Erkennungsergebnisse zu visualisieren, ganz ohne Programmierkenntnisse.
• Echtzeit-Anpassungen: Parameter wie Konfidenz- und IoU-Schwellenwerte können spontan angepasst werden, was sofortiges Feedback und eine Optimierung der Erkennungsergebnisse ermöglicht.
• Breite Zugänglichkeit: Die Gradio-Webschnittstelle kann von jedem aufgerufen werden, was sie zu einem hervorragenden Werkzeug für Vorführungen, Bildungszwecke und schnelle Experimente macht.

Link to this sectionSo installierst du Gradio#

pip install gradio

Link to this sectionSo nutzt du die Schnittstelle#

1. Bild hochladen: Klicke auf 'Bild hochladen', um eine Bilddatei für die Objekterkennung auszuwählen.
2. Parameter anpassen:
   • Konfidenz-Schwellenwert: Schieberegler, um das minimale Konfidenzniveau für die Erkennung von Objekten einzustellen.
   • IoU-Schwellenwert: Schieberegler, um den IoU-Schwellenwert zur Unterscheidung verschiedener Objekte einzustellen.
3. Ergebnisse anzeigen: Das verarbeitete Bild mit den erkannten Objekten und deren Beschriftungen wird angezeigt.

Link to this sectionBeispiel-Anwendungsfälle#

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

Link to this sectionAnwendungsbeispiel#

Dieser Abschnitt enthält den Python-Code, der verwendet wird, um eine Gradio-Schnittstelle für die Ultralytics YOLO26 Objekterkennung zu erstellen. Das Beispiel kann durch das Laden des entsprechenden Modell-Checkpoints an Klassifizierung, Instanzsegmentierung, Pose 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 sectionErklärung der Parameter#

Link to this sectionGradio Schnittstellen-Komponenten#

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 nutzen, kannst du diese Schritte befolgen:

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

Hier ist ein minimaler Code-Ausschnitt 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 Nutzung von Gradio für die Ultralytics YOLO26 Objekterkennung?#

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

• Benutzerfreundliche Schnittstelle: Gradio bietet eine intuitive Schnittstelle für Nutzer, um Bilder hochzuladen und Erkennungsergebnisse ohne Programmieraufwand zu visualisieren.
• Echtzeit-Anpassungen: Du kannst Erkennungsparameter wie Konfidenz- und IoU-Schwellenwerte dynamisch anpassen und die Auswirkungen sofort sehen.
• Zugänglichkeit: Die Webschnittstelle ist für jeden zugänglich, was sie nützlich für schnelle Experimente, Bildungszwecke und Vorführungen macht.

Für weitere Details kannst du diesen Blog-Beitrag über KI in der Radiologie lesen, der ähnliche interaktive Visualisierungstechniken vorstellt.

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

Ja, Gradio und Ultralytics YOLO26 können effektiv zusammen für Bildungszwecke genutzt werden. Die intuitive Webschnittstelle von Gradio macht es Schülern und Lehrern leicht, 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 sofortiges visuelles Feedback liefert, was hilft, den Einfluss 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 das minimale Konfidenzniveau für die Erkennung von Objekten. Schiebe den Regler, um die erforderliche Konfidenz zu erhöhen oder zu verringern.
• IoU-Schwellenwert: Setzt den Intersection-over-Union-Schwellenwert zur Unterscheidung zwischen überlappenden Objekten. Passe diesen Wert an, um die Objekttrennung zu verfeinern.

Weitere Informationen zu diesen Parametern findest du im Abschnitt Erklärung der Parameter.

Link to this sectionWas sind einige praktische Anwendungen der Nutzung von Ultralytics YOLO26 mit Gradio?#

Praktische Anwendungen der Kombination von Ultralytics YOLO26 mit Gradio sind:

• Echtzeit-Objekterkennungs-Demos: Ideal, um zu zeigen, wie Objekterkennung in Echtzeit funktioniert.
• Bildungswerkzeuge: Nützlich im akademischen Umfeld, um Konzepte der Objekterkennung und Computer Vision zu lehren.
• Prototypenentwicklung: Effizient für die schnelle Entwicklung und Erprobung 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 von Tierverhalten, der demonstriert, wie interaktive Visualisierung die Bemühungen zum Schutz von Wildtieren verbessern kann.