Interaktive Objekterkennung: Gradio & Ultralytics YOLOv8 🚀

Einführung in die interaktive Objektdetektion

Diese Gradio-Schnittstelle bietet eine einfache und interaktive Möglichkeit, die Objekterkennung anhand des Ultralytics YOLOv8 Modells. Die Nutzer können Bilder hochladen und Parameter wie die Konfidenzschwelle und die Intersection-over-Union (IoU)-Schwelle anpassen, um Erkennungsergebnisse in Echtzeit zu erhalten.

Warum Gradio für die Objekterkennung verwenden?

• Benutzerfreundliches Interface: Gradio bietet eine unkomplizierte Plattform, auf der du Bilder hochladen und die Erkennungsergebnisse visualisieren kannst, ohne dass du Programmierkenntnisse brauchst.
• Anpassungen in Echtzeit: Parameter wie die Konfidenz- und IoU-Schwellenwerte können im laufenden Betrieb angepasst werden, was eine sofortige Rückmeldung und Optimierung der Aufdeckungsergebnisse ermöglicht.
• Breite Zugänglichkeit: Die Gradio-Weboberfläche ist für jeden zugänglich und eignet sich daher hervorragend für Demonstrationen, Bildungszwecke und schnelle Experimente.

So installierst du das Gradio

pip install gradio

Wie man die Schnittstelle benutzt

1. Bild hochladen: Klicke auf "Bild hochladen", um eine Bilddatei für die Objekterkennung auszuwählen.
2. Parameter anpassen:
   • Konfidenzschwelle: Mit dem Schieberegler kannst du die minimale Konfidenzschwelle für die Erkennung von Objekten festlegen.
   • IoU-Schwellenwert: Mit dem Schieberegler kannst du den IoU-Schwellenwert für die Unterscheidung verschiedener Objekte festlegen.
3. Ergebnisse anzeigen: Das verarbeitete Bild mit den erkannten Objekten und ihren Beschriftungen wird angezeigt.

Beispiele für Anwendungsfälle

• Beispielbild 1: Buserkennung mit Standardschwellenwerten.
• Beispielbild 2: Erkennung auf einem Sportbild mit Standardschwellenwerten.

Verwendungsbeispiel

Dieser Abschnitt enthält den Python Code, der verwendet wird, um die Gradio-Schnittstelle mit dem Ultralytics YOLOv8 Modell zu erstellen. Unterstützt Klassifizierungsaufgaben, Erkennungsaufgaben, Segmentierungsaufgaben und Schlüsselpunktaufgaben.

import gradio as gr
import PIL.Image as Image
from ultralytics import ASSETS, YOLO

model = YOLO("yolov8n.pt")


def predict_image(img, conf_threshold, iou_threshold):
    """Predicts and plots labeled objects in an image using YOLOv8 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 YOLOv8n 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()

Parameter Erläuterung

Gradio Interface Komponenten

Kommentare