Inferencia en vivo con la aplicaci贸n Streamlit utilizando Ultralytics YOLOv8
Introducci贸n
Streamlit simplifica la creaci贸n y el despliegue de aplicaciones web interactivas. Combin谩ndolo con Ultralytics YOLOv8 permite detectar y analizar objetos en tiempo real directamente en tu navegador. YOLOv8 alta precisi贸n y velocidad garantizan un rendimiento sin fisuras para flujos de v铆deo en directo, lo que lo hace ideal para aplicaciones en seguridad, comercio minorista y otros sectores.
Observa: How to Use Streamlit with Ultralytics for Real-Time Computer Vision in Your Browser
Acuicultura | Cr铆a de animales |
---|---|
![]() |
![]() |
Detecci贸n de peces mediante Ultralytics YOLOv8 | Detecci贸n de animales mediante Ultralytics YOLOv8 |
Ventajas de la Inferencia en Directo
- Perfecta detecci贸n de objetos en tiempo real: Streamlit, combinado con YOLOv8 , permite la detecci贸n de objetos en tiempo real directamente desde la alimentaci贸n de tu webcam. Esto permite un an谩lisis y una comprensi贸n inmediatos, por lo que es ideal para aplicaciones que requieren informaci贸n instant谩nea.
- Despliegue f谩cil de usar: La interfaz interactiva de Streamlit facilita la implantaci贸n y el uso de la aplicaci贸n sin grandes conocimientos t茅cnicos. Los usuarios pueden iniciar la inferencia en directo con un simple clic, lo que mejora la accesibilidad y la usabilidad.
- Utilizaci贸n eficiente de los recursos: el algoritmo optimizado de YOLOv8 garantiza un procesamiento de alta velocidad con un m铆nimo de recursos inform谩ticos. Esta eficiencia permite una inferencia de la webcam fluida y fiable incluso en hardware est谩ndar, haciendo accesible la visi贸n por ordenador avanzada a un p煤blico m谩s amplio.
C贸digo de aplicaci贸n Streamlit
Ultralytics Instalaci贸n
Antes de empezar a construir la aplicaci贸n, aseg煤rate de que tienes instalado el paquete Ultralytics Python . Puedes instalarlo utilizando el comando pip install ultralytics
Aplicaci贸n Streamlit
Esto iniciar谩 la aplicaci贸n Streamlit en tu navegador web predeterminado. Ver谩s el t铆tulo principal, el subt铆tulo y la barra lateral con las opciones de configuraci贸n. Selecciona el modelo YOLOv8 que desees, establece los umbrales de confianza y NMS, y pulsa el bot贸n "Iniciar" para comenzar la detecci贸n de objetos en tiempo real.
Puedes indicar opcionalmente un modelo concreto en Python:
Aplicaci贸n Streamlit con un modelo personalizado
Conclusi贸n
Siguiendo esta gu铆a, habr谩s creado con 茅xito una aplicaci贸n de detecci贸n de objetos en tiempo real utilizando Streamlit y Ultralytics YOLOv8 . Esta aplicaci贸n te permite experimentar la potencia de YOLOv8 en la detecci贸n de objetos a trav茅s de tu webcam, con una interfaz f谩cil de usar y la posibilidad de detener el flujo de v铆deo en cualquier momento.
Para otras mejoras, puedes explorar la posibilidad de a帽adir m谩s funciones, como grabar el flujo de v铆deo, guardar los fotogramas anotados o integrarte con otras bibliotecas de visi贸n por ordenador.
Comparte tus pensamientos con la comunidad
Participa en la comunidad para aprender m谩s, solucionar problemas y compartir tus proyectos:
D贸nde encontrar ayuda y apoyo
- Problemas en GitHub: Visita el repositorio GitHub de Ultralytics para plantear preguntas, informar de errores y sugerir funciones.
- Ultralytics Servidor Discord: 脷nete al servidor Discord deUltralytics para conectar con otros usuarios y desarrolladores, obtener ayuda, compartir conocimientos y aportar ideas.
Documentaci贸n oficial
- Ultralytics YOLOv8 Documentaci贸n: Consulta la documentaci贸n oficial de YOLOv8 para obtener gu铆as completas y conocimientos sobre diversas tareas y proyectos de visi贸n computerizada.
PREGUNTAS FRECUENTES
驴C贸mo puedo crear una aplicaci贸n de detecci贸n de objetos en tiempo real utilizando Streamlit y Ultralytics YOLOv8 ?
Configurar una aplicaci贸n de detecci贸n de objetos en tiempo real con Streamlit y Ultralytics YOLOv8 es sencillo. En primer lugar, aseg煤rate de que tienes instalado el paquete Ultralytics Python :
A continuaci贸n, puedes crear una aplicaci贸n Streamlit b谩sica para ejecutar la inferencia en directo:
Aplicaci贸n Streamlit
Para m谩s detalles sobre la configuraci贸n pr谩ctica, consulta la secci贸n C贸digo de aplicaci贸n Streamlit de la documentaci贸n.
驴Cu谩les son las principales ventajas de utilizar Ultralytics YOLOv8 con Streamlit para la detecci贸n de objetos en tiempo real?
Utilizar Ultralytics YOLOv8 con Streamlit para la detecci贸n de objetos en tiempo real ofrece varias ventajas:
- Detecci贸n en tiempo real sin fisuras: Consigue una detecci贸n de objetos de alta precisi贸n y en tiempo real directamente desde la webcam.
- Interfaz f谩cil de usar: La interfaz intuitiva de Streamlit permite un uso y despliegue sencillos sin necesidad de grandes conocimientos t茅cnicos.
- Eficiencia de recursos: los algoritmos optimizados de YOLOv8 garantizan un procesamiento de alta velocidad con un m铆nimo de recursos inform谩ticos.
Descubre m谩s sobre estas ventajas aqu铆.
驴C贸mo despliego una aplicaci贸n de detecci贸n de objetos Streamlit en mi navegador web?
Despu茅s de codificar tu aplicaci贸n Streamlit integrando Ultralytics YOLOv8 , puedes desplegarla ejecutando:
Este comando lanzar谩 la aplicaci贸n en tu navegador web predeterminado, permiti茅ndote seleccionar los modelos YOLOv8 , establecer la confianza y los umbrales NMS, e iniciar la detecci贸n de objetos en tiempo real con un simple clic. Para obtener una gu铆a detallada, consulta la secci贸n C贸digo de la aplicaci贸n Streamlit.
驴Cu谩les son algunos casos de uso de la detecci贸n de objetos en tiempo real mediante Streamlit y Ultralytics YOLOv8 ?
La detecci贸n de objetos en tiempo real mediante Streamlit y Ultralytics YOLOv8 puede aplicarse en diversos sectores:
- Seguridad: Supervisi贸n en tiempo real para detectar accesos no autorizados.
- Comercio minorista: Recuento de clientes, gesti贸n de estanter铆as y mucho m谩s.
- Vida salvaje y agricultura: Control de los animales y de las condiciones de los cultivos.
Para conocer casos de uso y ejemplos m谩s detallados, explora Ultralytics Soluciones.
驴C贸mo se compara Ultralytics YOLOv8 con otros modelos de detecci贸n de objetos como YOLOv5 y RCNNs?
Ultralytics YOLOv8 aporta varias mejoras respecto a modelos anteriores como YOLOv5 y RCNNs:
- Mayor velocidad y precisi贸n: rendimiento mejorado para aplicaciones en tiempo real.
- Facilidad de uso: Interfaces y despliegue simplificados.
- Eficiencia de recursos: Optimizado para mejorar la velocidad con requisitos computacionales m铆nimos.
Para una comparaci贸n exhaustiva, consulta la documentaci贸n deUltralytics YOLOv8 y las entradas de blog relacionadas en las que se habla del rendimiento de los modelos.