Live Inference with Streamlit Application using Ultralytics YOLO11

Introduction

Streamlit makes it simple to build and deploy interactive web applications. Combining this with Ultralytics YOLO11 allows for real-time object detection and analysis directly in your browser. YOLO11 high accuracy and speed ensure seamless performance for live video streams, making it ideal for applications in security, retail, and beyond.

Regarde : How to Use Streamlit with Ultralytics for Real-Time Computer Vision in Your Browser

Aquaculture	Élevage d'animaux
Fish Detection using Ultralytics YOLO11	Animals Detection using Ultralytics YOLO11

Avantages de l'inférence en direct

• Seamless Real-Time Object Detection: Streamlit combined with YOLO11 enables real-time object detection directly from your webcam feed. This allows for immediate analysis and insights, making it ideal for applications requiring instant feedback.
• 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.
• Efficient Resource Utilization: YOLO11 optimized algorithm ensure high-speed processing with minimal computational resources. This efficiency allows for smooth and reliable webcam inference even on standard hardware, making advanced computer vision accessible to a wider audience.

Code d'application Streamlit

from ultralytics import solutions

solutions.inference()

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

yolo streamlit-predict

This will launch the Streamlit application in your default web browser. You will see the main title, subtitle, and the sidebar with configuration options. Select your desired YOLO11 model, set the confidence and NMS thresholds, and click the "Start" button to begin the real-time object detection.

En option, tu peux fournir un modèle spécifique sur 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>`

Conclusion

By following this guide, you have successfully created a real-time object detection application using Streamlit and Ultralytics YOLO11. This application allows you to experience the power of YOLO11 in detecting objects through your webcam, with a user-friendly interface and the ability to stop the video stream at any time.

Pour d'autres améliorations, tu peux explorer l'ajout de fonctionnalités supplémentaires telles que l'enregistrement du flux vidéo, la sauvegarde des images annotées ou l'intégration avec d'autres bibliothèques de vision par ordinateur.

Partagez vos réflexions avec la communauté

Engage-toi auprès de la communauté pour en savoir plus, résoudre les problèmes et partager tes projets :

Où trouver de l’aide et du soutien

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

Documentation officielle

• Ultralytics YOLO11 Documentation: Refer to the official YOLO11 documentation for comprehensive guides and insights on various computer vision tasks and projects.

FAQ

How can I set up a real-time object detection application using Streamlit and Ultralytics YOLO11?

Setting up a real-time object detection application with Streamlit and Ultralytics YOLO11 is straightforward. First, ensure you have the Ultralytics Python package installed using:

pip install ultralytics

Ensuite, tu peux créer une application Streamlit de base pour exécuter une inférence en direct :

from ultralytics import solutions

solutions.inference()

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

yolo streamlit-predict

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

What are the main advantages of using Ultralytics YOLO11 with Streamlit for real-time object detection?

Using Ultralytics YOLO11 with Streamlit for real-time object detection offers several advantages:

• Seamless Real-Time Detection: Achieve high-accuracy, real-time object detection directly from webcam feeds.
• Interface conviviale: L'interface intuitive de Streamlit permet une utilisation et un déploiement faciles sans connaissances techniques approfondies.
• Resource Efficiency: YOLO11's optimized algorithms ensure high-speed processing with minimal computational resources.

Découvre plus en détail ces avantages ici.

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

After coding your Streamlit application integrating Ultralytics YOLO11, you can deploy it by running:

streamlit run <file-name.py>

This command will launch the application in your default web browser, enabling you to select YOLO11 models, set confidence, and NMS thresholds, and start real-time object detection with a simple click. For a detailed guide, refer to the Streamlit Application Code section.

What are some use cases for real-time object detection using Streamlit and Ultralytics YOLO11?

Real-time object detection using Streamlit and Ultralytics YOLO11 can be applied in various sectors:

• Sécurité: Surveillance en temps réel des accès non autorisés.
• Commerce de détail: Comptage des clients, gestion des rayons, et plus encore.
• La faune et l'agriculture: Surveillance des animaux et de l'état des cultures.

Pour des cas d'utilisation et des exemples plus approfondis, explore Ultralytics Solutions.

How does Ultralytics YOLO11 compare to other object detection models like YOLOv5 and RCNNs?

Ultralytics YOLO11 provides several enhancements over prior models like YOLOv5 and RCNNs:

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

For a comprehensive comparison, check Ultralytics YOLO11 Documentation and related blog posts discussing model performance.

📅 Created 3 months ago ✏️ Updated 16 days ago

Commentaires