Interaktive Objekterkennung: Gradio & Ultralytics YOLO26 🚀#
Einführung in die interaktive Objekterkennung#
Diese Gradio-Oberfläche bietet eine einfache und interaktive Möglichkeit, Objekterkennung mit dem Modell Ultralytics YOLO26 durchzuführen. Nutzer können Bilder hochladen und Parameter wie den Konfidenz-Schwellenwert und den Schwellenwert für die Schnittmenge über der Vereinigung (IoU) anpassen, um Echtzeit-Erkennungsergebnisse zu erhalten.
Watch: Deploy Ultralytics YOLO26 in a Browser with Gradio | Complete Tutorial | Vision AI 🌐
Warum 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.
So installierst du Gradio#
pip install gradioSo nutzt du die Schnittstelle#
- Bild hochladen: Klicke auf 'Bild hochladen', um eine Bilddatei für die Objekterkennung auszuwählen.
- 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.
- Ergebnisse anzeigen: Das verarbeitete Bild mit den erkannten Objekten und deren Beschriftungen wird angezeigt.
Beispiel-Anwendungsfälle#
- Beispielbild 1: Bus-Erkennung mit Standard-Schwellenwerten.
- Beispielbild 2: Erkennung in einem Sportbild mit Standard-Schwellenwerten.
Anwendungsbeispiel#
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
from PIL import 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()Erklärung der Parameter#
| Parametername | Typ | Beschreibung |
|---|---|---|
img | Image | Das Bild, an dem die Objekterkennung durchgeführt wird. |
conf_threshold | float | Konfidenz-Schwellenwert für die Objekterkennung. |
iou_threshold | float | Intersection-over-Union-Schwellenwert für die Objekttrennung. |
Gradio Schnittstellen-Komponenten#
| Komponente | Beschreibung |
|---|---|
| Bildeingabe | Zum Hochladen des Bildes für die Erkennung. |
| Schieberegler | Zum Anpassen der Konfidenz- und IoU-Schwellenwerte. |
| Bildausgabe | Zur Anzeige der Erkennungsergebnisse. |
FAQ#
Um Gradio mit Ultralytics YOLO26 für die Objekterkennung zu nutzen, kannst du diese Schritte befolgen:
- Gradieren installieren: Verwende den Befehl
pip install gradio. - Schnittstelle erstellen: Schreibe ein Python-Skript, um die Gradio-Schnittstelle zu initialisieren. Du kannst dich für Details auf das bereitgestellte Codebeispiel in der Dokumentation beziehen.
- 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()- Gradieren installieren: Verwende den Befehl
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.
Weitere Details findest du in diesem Blogbeitrag über KI in der Radiologie, der ähnliche interaktive Visualisierungstechniken vorstellt.
Ja, Gradio und Ultralytics YOLO26 können effektiv für Bildungszwecke zusammen eingesetzt werden. Die intuitive Weboberfläche von Gradio macht es für Schüler, Studenten und Lehrende einfach, mit hochmodernen Modellen des Deep Learning wie Ultralytics YOLO26 zu interagieren, ohne fortgeschrittene Programmierkenntnisse zu benötigen. Dieses Setup ist ideal, um Schlüsselkonzepte der Objekterkennung und des Computer Vision zu demonstrieren, da Gradio unmittelbares visuelles Feedback liefert, was beim Verständnis der Auswirkungen verschiedener Parameter auf die Erkennungsleistung hilft.
In der Gradio-Oberfläche für YOLO26 kannst du die Konfidenz- und IoU-Schwellenwerte über die bereitgestellten Regler 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 zur Parametererklärung.
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 des Tierverhaltens, der zeigt, wie interaktive Visualisierung den Artenschutz verbessern kann.