Inferencia en vivo con la aplicación Streamlit utilizando Ultralytics YOLOv8

Introducción

Streamlit simplifica la creación y el despliegue de aplicaciones web interactivas. Combinándolo con Ultralytics YOLOv8 permite detectar y analizar objetos en tiempo real directamente en tu navegador. YOLOv8 alta precisión y velocidad garantizan un rendimiento sin fisuras para flujos de vídeo 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	Cría de animales
Detección de peces mediante Ultralytics YOLOv8	Detección de animales mediante Ultralytics YOLOv8

Ventajas de la Inferencia en Directo

• Perfecta detección de objetos en tiempo real: Streamlit, combinado con YOLOv8 , permite la detección de objetos en tiempo real directamente desde la alimentación de tu webcam. Esto permite un análisis y una comprensión inmediatos, por lo que es ideal para aplicaciones que requieren información instantánea.
• Despliegue fácil de usar: La interfaz interactiva de Streamlit facilita la implantación y el uso de la aplicación sin grandes conocimientos técnicos. Los usuarios pueden iniciar la inferencia en directo con un simple clic, lo que mejora la accesibilidad y la usabilidad.
• Utilización eficiente de los recursos: el algoritmo optimizado de YOLOv8 garantiza un procesamiento de alta velocidad con un mínimo de recursos informáticos. Esta eficiencia permite una inferencia de la webcam fluida y fiable incluso en hardware estándar, haciendo accesible la visión por ordenador avanzada a un público más amplio.

Código de aplicación Streamlit

from ultralytics import solutions

solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`

yolo streamlit-predict

Esto iniciará la aplicación Streamlit en tu navegador web predeterminado. Verás el título principal, el subtítulo y la barra lateral con las opciones de configuración. Selecciona el modelo YOLOv8 que desees, establece los umbrales de confianza y NMS, y pulsa el botón "Iniciar" para comenzar la detección de objetos en tiempo real.

Puedes indicar opcionalmente un modelo concreto en Python:

from ultralytics import solutions

# Pass a model as an argument
solutions.inference(model="path/to/model.pt")

### Make sure to run the file using command `streamlit run <file-name.py>`

Conclusión

Siguiendo esta guía, habrás creado con éxito una aplicación de detección de objetos en tiempo real utilizando Streamlit y Ultralytics YOLOv8 . Esta aplicación te permite experimentar la potencia de YOLOv8 en la detección de objetos a través de tu webcam, con una interfaz fácil de usar y la posibilidad de detener el flujo de vídeo en cualquier momento.

Para otras mejoras, puedes explorar la posibilidad de añadir más funciones, como grabar el flujo de vídeo, guardar los fotogramas anotados o integrarte con otras bibliotecas de visión por ordenador.

Comparte tus pensamientos con la comunidad

Participa en la comunidad para aprender más, solucionar problemas y compartir tus proyectos:

Dónde 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: Únete al servidor Discord deUltralytics para conectar con otros usuarios y desarrolladores, obtener ayuda, compartir conocimientos y aportar ideas.

Documentación oficial

• Ultralytics YOLOv8 Documentación: Consulta la documentación oficial de YOLOv8 para obtener guías completas y conocimientos sobre diversas tareas y proyectos de visión computerizada.

PREGUNTAS FRECUENTES

¿Cómo puedo crear una aplicación de detección de objetos en tiempo real utilizando Streamlit y Ultralytics YOLOv8 ?

Configurar una aplicación de detección de objetos en tiempo real con Streamlit y Ultralytics YOLOv8 es sencillo. En primer lugar, asegúrate de que tienes instalado el paquete Ultralytics Python :

pip install ultralytics

A continuación, puedes crear una aplicación Streamlit básica para ejecutar la inferencia en directo:

from ultralytics import solutions

solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`

yolo streamlit-predict

Para más detalles sobre la configuración práctica, consulta la sección Código de aplicación Streamlit de la documentación.

¿Cuáles son las principales ventajas de utilizar Ultralytics YOLOv8 con Streamlit para la detección de objetos en tiempo real?

Utilizar Ultralytics YOLOv8 con Streamlit para la detección de objetos en tiempo real ofrece varias ventajas:

• Detección en tiempo real sin fisuras: Consigue una detección de objetos de alta precisión y en tiempo real directamente desde la webcam.
• Interfaz fácil de usar: La interfaz intuitiva de Streamlit permite un uso y despliegue sencillos sin necesidad de grandes conocimientos técnicos.
• Eficiencia de recursos: los algoritmos optimizados de YOLOv8 garantizan un procesamiento de alta velocidad con un mínimo de recursos informáticos.

Descubre más sobre estas ventajas aquí.

¿Cómo despliego una aplicación de detección de objetos Streamlit en mi navegador web?

Después de codificar tu aplicación Streamlit integrando Ultralytics YOLOv8 , puedes desplegarla ejecutando:

streamlit run <file-name.py>

Este comando lanzará la aplicación en tu navegador web predeterminado, permitiéndote seleccionar los modelos YOLOv8 , establecer la confianza y los umbrales NMS, e iniciar la detección de objetos en tiempo real con un simple clic. Para obtener una guía detallada, consulta la sección Código de la aplicación Streamlit.

¿Cuáles son algunos casos de uso de la detección de objetos en tiempo real mediante Streamlit y Ultralytics YOLOv8 ?

La detección de objetos en tiempo real mediante Streamlit y Ultralytics YOLOv8 puede aplicarse en diversos sectores:

• Seguridad: Supervisión en tiempo real para detectar accesos no autorizados.
• Comercio minorista: Recuento de clientes, gestión de estanterías y mucho más.
• Vida salvaje y agricultura: Control de los animales y de las condiciones de los cultivos.

Para conocer casos de uso y ejemplos más detallados, explora Ultralytics Soluciones.

¿Cómo se compara Ultralytics YOLOv8 con otros modelos de detección de objetos como YOLOv5 y RCNNs?

Ultralytics YOLOv8 aporta varias mejoras respecto a modelos anteriores como YOLOv5 y RCNNs:

• Mayor velocidad y precisión: 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 mínimos.

Para una comparación exhaustiva, consulta la documentación deUltralytics YOLOv8 y las entradas de blog relacionadas en las que se habla del rendimiento de los modelos.

📅 Created 2 months ago ✏️ Updated 1 day ago

Comentarios