Inférence en direct avec l'application Streamlit en utilisant Ultralytics YOLO11

Q: How do I deploy a Streamlit object detection application in my web browser?

Après avoir codé votre application Streamlit intégrant Ultralytics YOLO11, vous pouvez la déployer en exécutant la commande : Cette commande lancera l'application dans votre navigateur web par défaut, vous permettant de sélectionner les modèles YOLO11 , de définir les seuils de confiance et les seuils NMS, et de démarrer la détection d'objets en temps réel d'un simple clic. Pour un guide détaillé, reportez-vous à la section Code de l'application Streamlit.

Introduction

Streamlit facilite la création et le déploiement d'applications web interactives. La combinaison avec Ultralytics YOLO11 permet la détection et l'analyse d'objets en temps réel, directement dans votre navigateur. La précision et la vitesse élevées de YOLO11 garantissent des performances transparentes pour les flux vidéo en direct, ce qui en fait la solution idéale pour les applications dans les domaines de la sécurité, de la vente au détail et autres.

Regarder : Comment utiliser Streamlit avec Ultralytics pour le temps réel Vision par ordinateur dans votre navigateur

Aquaculture	Élevage d'animaux

Détection des poissons à l'aide de Ultralytics YOLO11	Animaux Détection à l'aide de Ultralytics YOLO11

Avantages de l'inférence en direct

Détection transparente d'objets en temps réel: Streamlit combiné à YOLO11 permet la détection d'objets en temps réel directement à partir du flux de votre webcam. Cela permet une analyse et une compréhension immédiates, ce qui en fait la solution idéale pour les applications nécessitant un retour d'information instantané.
Déploiement convivial: L'interface interactive de Streamlit facilite le déploiement et l'utilisation de l'application sans connaissances techniques approfondies. Les utilisateurs peuvent démarrer l'inférence en direct d'un simple clic, ce qui améliore l'accessibilité et la convivialité.
Utilisation efficace des ressources: Les algorithmes optimisés de YOLO11 garantissent un traitement à grande vitesse avec un minimum de ressources informatiques. Cette efficacité permet une inférence fluide et fiable à partir d'une webcam, même sur du matériel standard, ce qui rend la vision artificielle avancée accessible à un public plus large.

Code d'application Streamlit

Ultralytics Installation

Avant de commencer à construire l'application, assurez-vous que le paquet Ultralytics Python est installé. Vous pouvez l'installer à l'aide de la commande pip install ultralytics

Inférence avec Streamlit et Ultralytics YOLO

CLIPython

yolo solutions inference

yolo solutions inference model="path/to/model.pt"

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # you can use any model that Ultralytics support, i.e. YOLO11, or custom trained model
)

inf.inference()

# Make sure to run the file using command `streamlit run path/to/file.py`

Cela lancera l'application Streamlit dans votre navigateur web par défaut. Vous verrez le titre principal, le sous-titre et la barre latérale avec les options de configuration. Sélectionnez le modèle YOLO11 de votre choix, définissez les seuils de confiance et NMS, et cliquez sur le bouton "Start" pour commencer la détection d'objets en temps réel.

En option, vous pouvez indiquer un modèle spécifique sur le site Python:

Application Streamlit avec un modèle personnalisé

Python

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # you can use any model that Ultralytics support, i.e. YOLO11, YOLOv10
)

inf.inference()

# Make sure to run the file using command `streamlit run path/to/file.py`

Comment ça marche

Sous le capot, l'application Streamlit utilise le module de solutionsUltralytics pour créer une interface interactive. Lorsque vous démarrez l'inférence, l'application.. :

Capture des vidéos à partir de votre webcam ou d'un fichier vidéo téléchargé
Traite chaque image à travers le modèle YOLO11
Applique la détection d'objets avec les seuils de confiance et de connaissance de l'état de l'art que vous avez spécifiés.
Affiche les images originales et annotées en temps réel
Le suivi des objets est activé en option si l'option est sélectionnée

L'application offre une interface claire et conviviale avec des commandes permettant d'ajuster les paramètres du modèle et de démarrer/arrêter l'inférence à tout moment.

Conclusion

En suivant ce guide, vous avez réussi à créer une application de détection d'objets en temps réel en utilisant Streamlit et Ultralytics YOLO11 . Cette application vous permet d'expérimenter la puissance de YOLO11 dans la détection d'objets à travers votre webcam, avec une interface conviviale et la possibilité d'arrêter le flux vidéo à tout moment.

Pour des améliorations ultérieures, vous pouvez envisager d'ajouter d'autres fonctionnalités telles que l'enregistrement du flux vidéo, la sauvegarde des images annotées ou l'intégration avec d'autres bibliothèques de vision par ordinateur.

Participez à la communauté pour en savoir plus, résoudre des problèmes et partager vos projets :

Où trouver de l'aide et du soutien

GitHub Issues : Visitez le dépôt GitHub Ultralytics pour poser des questions, signaler des bogues et suggérer des fonctionnalités.
Ultralytics Serveur Discord : Rejoignez le serveur DiscordUltralytics pour vous connecter avec d'autres utilisateurs et développeurs, obtenir de l'aide, partager des connaissances et trouver des idées.

Documentation officielle

Ultralytics YOLO11 Documentation : Consultez la documentation officielle YOLO11 pour obtenir des guides complets et des informations sur diverses tâches et projets de vision par ordinateur.

FAQ

Comment mettre en place une application de détection d'objets en temps réel en utilisant Streamlit et Ultralytics YOLO11 ?

La mise en place d'une application de détection d'objets en temps réel avec Streamlit et Ultralytics YOLO11 est simple. Tout d'abord, assurez-vous que le paquetage Ultralytics Python est installé à l'aide de :

pip install ultralytics

Ensuite, vous pouvez créer une application Streamlit de base pour exécuter une inférence en direct :

Application Streamlit

PythonCLI

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # you can use any model that Ultralytics support, i.e. YOLO11, YOLOv10
)

inf.inference()

# Make sure to run the file using command `streamlit run path/to/file.py`

yolo solutions inference

Pour plus de détails sur la configuration pratique, reportez-vous à la section Code d'application Streamlit de la documentation.

Quels sont les principaux avantages de l'utilisation de Ultralytics YOLO11 avec Streamlit pour la détection d'objets en temps réel ?

L'utilisation de Ultralytics YOLO11 avec Streamlit pour la détection d'objets en temps réel offre plusieurs avantages :

Détection transparente en temps réel: Détection d'objets en temps réel avec une grande précision, directement à partir des flux de la webcam.
Interface conviviale: L'interface intuitive de Streamlit permet une utilisation et un déploiement faciles sans connaissances techniques approfondies.
Efficacité des ressources: les algorithmes optimisés de YOLO11 garantissent un traitement à grande vitesse avec un minimum de ressources informatiques.

Pour en savoir plus sur ces avantages , cliquez ici.

Comment déployer une application de détection d'objets Streamlit dans mon navigateur web ?

Après avoir codé votre application Streamlit en intégrant Ultralytics YOLO11 , vous pouvez la déployer en exécutant :

streamlit run path/to/file.py

Cette commande lancera l'application dans votre navigateur web par défaut, vous permettant de sélectionner les modèles YOLO11 , de définir les seuils de confiance et NMS, et de démarrer la détection d'objets en temps réel d'un simple clic. Pour un guide détaillé, reportez-vous à la section Code de l'application Streamlit.

Quels sont les cas d'utilisation pour la détection d'objets en temps réel avec Streamlit et Ultralytics YOLO11 ?

La détection d'objets en temps réel à l'aide de Streamlit et de Ultralytics YOLO11 peut être utilisée dans divers secteurs :

Sécurité: Surveillance en temps réel des accès non autorisés et des systèmes d'alarme.
Commerce de détail: Comptage des clients, gestion des rayons et suivi des stocks.
Faune et agriculture: Surveillance des animaux et de l'état des cultures dans le cadre des efforts de conservation.

Pour des cas d'utilisation et des exemples plus détaillés, consultez le siteUltralytics Solutions.

Comment Ultralytics YOLO11 se compare-t-il à d'autres modèles de détection d'objets tels que YOLOv5 et RCNN ?

Ultralytics YOLO11 apporte plusieurs améliorations par rapport aux modèles antérieurs tels que YOLOv5 et RCNN :

Vitesse et précision accrues: amélioration des performances pour les applications en temps réel.
Facilité d'utilisation: interfaces et déploiement simplifiés.
Efficacité des ressources: Optimisé pour une meilleure vitesse avec des exigences minimales en matière de calcul.

Pour une comparaison complète, consultez le siteUltralytics YOLO11 Documentation et les articles de blog traitant des performances des modèles.

📅C réé il y a 8 mois ✏️ Mis à jour il y a 8 jours