Inferencia en tiempo real con una aplicación Streamlit usando Ultralytics YOLO26#
Introducción#
Streamlit facilita la creación y la implementación de aplicaciones web interactivas. Al combinarlo con Ultralytics YOLO26, permite realizar detección de objetos y análisis en tiempo real directamente en el navegador. La gran precisión y velocidad de YOLO26 garantizan un rendimiento fluido para secuencias de vídeo en directo, lo que lo hace ideal para aplicaciones de seguridad, comercio minorista y mucho más.
Watch: How to Build a Live Inference App with Ultralytics YOLO26 & Streamlit | Detection & Segmentation 🚀
| Acuicultura | Ganadería |
|---|---|
 |  |
| Detección de peces con Ultralytics YOLO26 | Detección de animales con Ultralytics YOLO26 |
Ventajas de la inferencia en tiempo real#
- Detección de objetos fluida en tiempo real: Streamlit combinado con YOLO26 permite detectar objetos en tiempo real directamente desde la señal de tu cámara web. Esto permite obtener análisis e información de inmediato, por lo que resulta ideal para aplicaciones que requieren una respuesta instantánea.
- Implementación sencilla para el usuario: La interfaz interactiva de Streamlit facilita la implementación y el uso de la aplicación sin necesidad de amplios conocimientos técnicos. Los usuarios pueden iniciar la inferencia en tiempo real con un simple clic, mejorando la accesibilidad y la facilidad de uso.
- Uso eficiente de los recursos: Los algoritmos optimizados de YOLO26 garantizan un procesamiento de alta velocidad con un consumo mínimo de recursos computacionales. Esta eficiencia permite realizar inferencias fluidas y fiables desde la cámara web incluso en hardware estándar, haciendo que la visión por ordenador avanzada sea accesible para un público más amplio.
Código de la aplicación Streamlit#
Antes de empezar a crear la aplicación, asegúrate de tener instalado el paquete de Ultralytics para Python.
pip install ultralyticsyolo solutions inference
yolo solutions inference model="path/to/model.pt"
yolo solutions help # list the available solution commands and argumentsEstos comandos inician la interfaz predeterminada de Streamlit incluida con Ultralytics.
Esto iniciará la aplicación Streamlit en tu navegador web predeterminado. Verás el título principal, el subtítulo y la barra lateral con opciones de configuración. Selecciona el modelo YOLO26 que quieras, establece los umbrales de confianza y de NMS y haz clic en el botón «Start» para comenzar la detección de objetos en tiempo real.
Cómo funciona#
Internamente, la aplicación Streamlit utiliza el módulo de soluciones de Ultralytics para crear una interfaz interactiva. Cuando inicias la inferencia, la aplicación:
- Captura vídeo desde tu cámara web o desde un archivo de vídeo subido
- Procesa cada fotograma mediante el modelo YOLO26
- Aplica la detección de objetos con los umbrales de confianza e IoU especificados
- Muestra los fotogramas originales y anotados en tiempo real
- Activa opcionalmente el seguimiento de objetos si lo seleccionas
La aplicación ofrece una interfaz clara y fácil de usar, con controles para ajustar los parámetros del modelo e iniciar o detener la inferencia en cualquier momento.
Conclusión#
Siguiendo esta guía, has creado correctamente una aplicación de detección de objetos en tiempo real con Streamlit y Ultralytics YOLO26. Esta aplicación te permite experimentar la potencia de YOLO26 para detectar objetos mediante tu cámara web, con una interfaz fácil de usar y la posibilidad de detener la secuencia de vídeo en cualquier momento.
Para mejorarla aún más, puedes explorar la posibilidad de añadir funciones como grabar la secuencia de vídeo, guardar los fotogramas anotados o integrarla con otras bibliotecas de visión por ordenador.
Preguntas frecuentes#
Configurar una aplicación de detección de objetos en tiempo real con Streamlit y Ultralytics YOLO26 es sencillo. Primero, asegúrate de tener instalado el paquete de Ultralytics para Python mediante:
pip install ultralyticsDespués, puedes crear una aplicación Streamlit básica para ejecutar inferencias en tiempo real:
Aplicación Streamlitfrom ultralytics import solutions inf = solutions.Inference( model="yolo26n.pt", # you can use any model that Ultralytics supports, e.g., YOLO26, or a custom-trained model ) inf.inference() # Make sure to run the file using command `streamlit run path/to/file.py`Para obtener más información sobre la configuración práctica, consulta la sección Código de la aplicación Streamlit de la documentación.
Usar Ultralytics YOLO26 con Streamlit para la detección de objetos en tiempo real ofrece varias ventajas:
- Detección fluida en tiempo real: consigue una precisión elevada y detección de objetos en tiempo real directamente desde las señales de la cámara web.
- Interfaz fácil de usar: la interfaz intuitiva de Streamlit permite utilizar e implementar la aplicación fácilmente sin necesidad de amplios conocimientos técnicos.
- Eficiencia de recursos: los algoritmos optimizados de YOLO26 garantizan un procesamiento de alta velocidad con un consumo mínimo de recursos computacionales.
Obtén más información sobre estas ventajas en la sección Ventajas de la inferencia en tiempo real.
La detección de objetos en tiempo real con Streamlit y Ultralytics YOLO26 puede aplicarse en diversos sectores:
- Seguridad: supervisión en tiempo real para detectar accesos no autorizados y sistemas de alarma de seguridad.
- Comercio minorista: recuento de clientes, gestión de estanterías y seguimiento del inventario.
- Fauna y agricultura: supervisión de animales y del estado de los cultivos para iniciativas de conservación.
Para consultar casos de uso y ejemplos más detallados, explora Ultralytics Solutions.
Ultralytics YOLO26 ofrece varias mejoras respecto a modelos anteriores como YOLOv5 y los RCNN:
- Mayor velocidad y precisión: rendimiento mejorado para aplicaciones en tiempo real.
- Facilidad de uso: interfaces e implementación simplificadas.
- Eficiencia de recursos: optimizado para ofrecer mayor velocidad con requisitos computacionales mínimos.
Para obtener una comparación exhaustiva, consulta la documentación de Ultralytics YOLO26 y las publicaciones relacionadas del blog que analizan el rendimiento de los modelos.