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.

Pass auf: Gradio-Integration mit Ultralytics YOLOv8

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 objects in an image using a 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

FAQ

Wie verwende ich Gradio mit Ultralytics YOLOv8 zur Objekterkennung?

Um Gradio mit Ultralytics YOLOv8 für die Objekterkennung zu verwenden, kannst du die folgenden Schritte ausführen:

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

Hier ist ein minimaler Codeschnipsel als Referenz:

import gradio as gr

from ultralytics import YOLO

model = YOLO("yolov8n.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 YOLOv8",
    description="Upload images for YOLOv8 object detection.",
)
iface.launch()

Welche Vorteile hat die Verwendung von Gradio für die Ultralytics YOLOv8 Objekterkennung?

Die Verwendung von Gradio für die Ultralytics YOLOv8 Objekterkennung bietet mehrere Vorteile:

• Benutzerfreundliches Interface: Gradio bietet eine intuitive Benutzeroberfläche, mit der du Bilder hochladen und die Erkennungsergebnisse ohne Programmieraufwand visualisieren kannst.
• Anpassungen in Echtzeit: Du kannst Erkennungsparameter wie die Konfidenz- und IoU-Schwellenwerte dynamisch anpassen und die Auswirkungen sofort sehen.
• Zugänglichkeit: Die Weboberfläche ist für jedermann zugänglich, was sie für schnelle Experimente, Bildungszwecke und Demonstrationen nützlich macht.

Weitere Informationen findest du in diesem Blogbeitrag.

Kann ich Gradio und Ultralytics YOLOv8 zusammen für Bildungszwecke nutzen?

Ja, Gradio und Ultralytics YOLOv8 können zusammen für Bildungszwecke effektiv genutzt werden. Die intuitive Weboberfläche von Gradio macht es Schülerinnen und Schülern sowie Lehrkräften leicht, mit modernen Deep-Learning-Modellen wie Ultralytics YOLOv8 zu interagieren, ohne dass sie fortgeschrittene Programmierkenntnisse benötigen. Dieses Setup ist ideal, um wichtige Konzepte der Objekterkennung und des Computer Vision zu demonstrieren, da Gradio sofortiges visuelles Feedback liefert, das hilft, die Auswirkungen verschiedener Parameter auf die Erkennungsleistung zu verstehen.

Wie kann ich die Konfidenz- und IoU-Schwellenwerte in der Gradio-Schnittstelle für YOLOv8 anpassen?

In der Gradio-Benutzeroberfläche für YOLOv8 kannst du die Konfidenz- und IoU-Schwellenwerte mithilfe der Schieberegler anpassen. Diese Schwellenwerte helfen dabei, die Vorhersagegenauigkeit und die Objekttrennung zu kontrollieren:

• Konfidenzschwelle: Legt die Mindestwahrscheinlichkeit für die Erkennung von Objekten fest. Schiebe den Regler, um die erforderliche Konfidenz zu erhöhen oder zu verringern.
• IoU-Schwellenwert: Legt den Schwellenwert für die Unterscheidung zwischen sich überschneidenden Objekten fest. Passe diesen Wert an, um die Objekttrennung zu verfeinern.

Weitere Informationen zu diesen Parametern findest du im Abschnitt Parametererklärung.

Welche praktischen Anwendungen gibt es für die Nutzung von Ultralytics YOLOv8 mit Gradio?

Zu den praktischen Anwendungen der Kombination von Ultralytics YOLOv8 mit Gradio gehören:

• Demonstrationen zur Objekterkennung in Echtzeit: Ideal, um zu zeigen, wie die Objekterkennung in Echtzeit funktioniert.
• Lehrmittel: Nützlich für den Unterricht in der Schule, um Konzepte der Objekterkennung und der Computer Vision zu vermitteln.
• Entwicklung von Prototypen: Effizient für die schnelle Entwicklung und das Testen von Prototyp-Anwendungen zur Objekterkennung.
• Gemeinschaft und Zusammenarbeit: Es ist einfach, Modelle mit der Community zu teilen, um Feedback und Zusammenarbeit zu ermöglichen.

Beispiele für ähnliche Anwendungsfälle findest du auf dem BlogUltralytics .

Die Bereitstellung dieser Informationen in der Dokumentation trägt dazu bei, die Benutzerfreundlichkeit und Zugänglichkeit von Ultralytics YOLOv8 zu verbessern und macht es für Benutzer aller Kenntnisstufen zugänglicher.

Kommentare