Inferencia en directo con una aplicación Streamlit usando Ultralytics YOLO26#
Introducción#
Streamlit facilita la creación y el despliegue de aplicaciones web interactivas. Al combinarlo con Ultralytics YOLO26, puedes realizar detección de objetos y análisis en tiempo real directamente en el navegador. La gran precisión y velocidad de YOLO26 garantizan un rendimiento fluido con flujos de vídeo en directo, por lo que es ideal para aplicaciones de seguridad, comercio minorista y otros ámbitos.
Ver: Cómo crear una aplicación de inferencia en directo con Ultralytics YOLO26 y Streamlit | Detección y segmentación 🚀
| Acuicultura | Ganadería |
|---|---|
 |  |
| Detección de peces con Ultralytics YOLO26 | Detección de animales con Ultralytics YOLO26 |
Ventajas de la inferencia en directo#
- Detección de objetos en tiempo real y sin interrupciones: 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 forma inmediata, por lo que resulta ideal para aplicaciones que requieren respuestas instantáneas.
- Despliegue sencillo: La interfaz interactiva de Streamlit facilita el despliegue y el uso de la aplicación sin necesidad de grandes conocimientos técnicos. Los usuarios pueden iniciar la inferencia en directo con un simple clic, lo que mejora 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 informáticos. Esta eficiencia permite realizar inferencias fluidas y fiables con la cámara web, incluso en equipos estándar, y pone la visión artificial avanzada al alcance de más personas.
Código de la aplicación Streamlit#
Antes de empezar a crear la aplicación, asegúrate de tener instalado el paquete Python de Ultralytics.
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, ajusta los umbrales de NMS y haz clic en el botón «Start» para iniciar la detección de objetos en tiempo real.
Cómo funciona#
En segundo plano, la aplicación Streamlit utiliza el módulo solutions de Ultralytics para crear una interfaz interactiva. Al iniciar la inferencia, la aplicación:
- Captura fotogramas de tu cámara web, de un archivo de vídeo que hayas subido o de imágenes que hayas subido
- Procesa cada fotograma con el modelo YOLO26
- Aplica la detección de objetos con los umbrales de confianza e IoU que hayas especificado
- Muestra en tiempo real los fotogramas originales y los anotados
- Activa opcionalmente el seguimiento de objetos si lo seleccionas
La aplicación ofrece una interfaz sencilla y fácil de usar, con controles para ajustar los parámetros del modelo e iniciar o detener la inferencia en cualquier momento.
Conclusión#
Con 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 a través de tu cámara web, con una interfaz fácil de usar y la posibilidad de detener la transmisión de vídeo en cualquier momento.
Para ampliar la aplicación, puedes explorar cómo añadir funciones, como grabar la transmisión de vídeo, guardar los fotogramas anotados o integrarla con otras bibliotecas de visión artificial.
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 Python de Ultralytics con:
pip install ultralyticsDespués, puedes crear una aplicación básica de Streamlit para ejecutar inferencias en directo:
Aplicación Streamlitfrom ultralytics import solutions inf = solutions.Inference( model="yolo26n.pt", # puedes usar cualquier modelo compatible con Ultralytics, por ejemplo, YOLO26 o un modelo entrenado a medida ) inf.inference() # Asegúrate de ejecutar el archivo con el comando `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 detección de objetos de alta precisión en tiempo real, directamente desde la transmisión de vídeo de la cámara web.
- Interfaz fácil de usar: la interfaz intuitiva de Streamlit facilita el uso y el despliegue, sin necesidad de amplios conocimientos técnicos.
- Uso eficiente de los recursos: los algoritmos optimizados de YOLO26 permiten procesar a gran velocidad con un consumo mínimo de recursos computacionales.
Descubre más sobre estas ventajas en la sección Ventajas de la inferencia en directo.
Después de programar tu aplicación Streamlit con Ultralytics YOLO26, puedes implementarla ejecutando:
streamlit run path/to/file.pyEste comando iniciará la aplicación en tu navegador web predeterminado y te permitirá seleccionar modelos YOLO26, ajustar los umbrales de confianza y NMS e iniciar la detección de objetos en tiempo real con un simple clic. Para consultar una guía detallada, ve a la sección Código de la aplicación Streamlit.
La detección de objetos en tiempo real con Streamlit y Ultralytics YOLO26 puede aplicarse en distintos 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 ver casos de uso y ejemplos más detallados, explora Ultralytics Solutions.
Ultralytics YOLO26 incorpora varias mejoras respecto a modelos anteriores, como YOLOv5 y RCNN:
- Mayor velocidad y precisión: rendimiento mejorado para aplicaciones en tiempo real.
- Facilidad de uso: interfaces e implementación más sencillas.
- Uso eficiente de los recursos: optimizado para ofrecer más velocidad con requisitos computacionales mínimos.
Para obtener una comparación exhaustiva, consulta la documentación de Ultralytics YOLO26 y las entradas de blog relacionadas que analizan el rendimiento de los modelos.