Ultralytics YOLO27 :

Inférence en direct avec une application Streamlit utilisant Ultralytics YOLO26#

Introduction#

Streamlit simplifie la création et le déploiement d'applications web interactives. Associé à Ultralytics YOLO26, il permet la détection d'objets et l'analyse en temps réel directement dans ton navigateur. La grande précision et la rapidité de YOLO26 garantissent des performances fluides pour les flux vidéo en direct, ce qui le rend idéal pour les applications de sécurité, de vente au détail et bien plus encore.



Watch: How to Build a Live Inference App with Ultralytics YOLO26 & Streamlit | Detection & Segmentation 🚀
AquacultureÉlevage
Détection de poissons avec Ultralytics YOLO26Détection d'animaux avec Ultralytics YOLO26
Détection de poissons avec Ultralytics YOLO26Détection d'animaux avec Ultralytics YOLO26

Avantages de l'inférence en direct#

  • Détection d'objets fluide en temps réel : Streamlit associé à YOLO26 permet la détection d'objets en temps réel directement depuis le flux de ta webcam. Tu peux ainsi obtenir immédiatement des analyses et des informations, ce qui est idéal pour les applications nécessitant un retour 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 facilité d'utilisation.
  • Utilisation efficace des ressources : les algorithmes optimisés de YOLO26 garantissent un traitement rapide avec un minimum de ressources de calcul. Cette efficacité permet une inférence fluide et fiable depuis une webcam, même sur du matériel standard, rendant la vision par ordinateur avancée accessible à un public plus large.

Code de l'application Streamlit#

Installation d'Ultralytics

Avant de commencer à créer l'application, vérifie que le package Python Ultralytics est installé.

pip install ultralytics
Inférence avec Streamlit et Ultralytics YOLO
yolo solutions inference

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

yolo solutions help # list the available solution commands and arguments

Ces commandes lancent l'interface Streamlit par défaut fournie avec Ultralytics.

L'application Streamlit s'ouvrira dans ton navigateur web par défaut. Tu verras le titre principal, le sous-titre et la barre latérale contenant les options de configuration. Sélectionne le modèle YOLO26 souhaité, définis les seuils de confiance et de NMS, puis clique sur le bouton « Start » pour commencer la détection d'objets en temps réel.

Fonctionnement#

En coulisses, l'application Streamlit utilise le module de solutions Ultralytics pour créer une interface interactive. Lorsque tu démarres l'inférence, l'application :

  1. Capture la vidéo depuis ta webcam ou un fichier vidéo importé
  2. Traite chaque image avec le modèle YOLO26
  3. Applique la détection d'objets avec les seuils de confiance et d'IoU spécifiés
  4. Affiche les images originales et annotées en temps réel
  5. Active éventuellement le suivi des objets si cette option est sélectionnée

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

Conclusion#

En suivant ce guide, tu as créé avec succès une application de détection d'objets en temps réel utilisant Streamlit et Ultralytics YOLO26. Cette application te permet de découvrir les capacités de YOLO26 pour détecter des objets avec ta webcam, grâce à une interface conviviale et à la possibilité d'arrêter le flux vidéo à tout moment.

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

FAQ#

  • La configuration d'une application de détection d'objets en temps réel avec Streamlit et Ultralytics YOLO26 est simple. Commence par vérifier que le package Python Ultralytics est installé à l'aide de la commande suivante :

    pip install ultralytics

    Tu peux ensuite créer une application Streamlit élémentaire pour exécuter l'inférence en direct :

    Application Streamlit
    from 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`

    Pour plus de détails sur la configuration pratique, consulte la section Code de l'application Streamlit de la documentation.

  • L'utilisation d'Ultralytics YOLO26 avec Streamlit pour la détection d'objets en temps réel offre plusieurs avantages :

    • Détection fluide en temps réel : obtiens une précision élevée et une détection d'objets en temps réel directement depuis les flux de webcam.
    • Interface conviviale : l'interface intuitive de Streamlit permet d'utiliser et de déployer facilement l'application sans connaissances techniques approfondies.
    • Efficacité des ressources : les algorithmes optimisés de YOLO26 garantissent un traitement rapide avec un minimum de ressources de calcul.

    Découvre plus en détail ces avantages dans la section Avantages de l'inférence en direct.

  • Après avoir codé ton application Streamlit intégrant Ultralytics YOLO26, tu peux la déployer en exécutant la commande suivante :

    streamlit run path/to/file.py

    Cette commande lancera l'application dans ton navigateur web par défaut et te permettra de sélectionner des modèles YOLO26, de définir les seuils de confiance et de NMS, puis de démarrer la détection d'objets en temps réel d'un simple clic. Pour consulter un guide détaillé, reporte-toi à la section Code de l'application Streamlit.

  • La détection d'objets en temps réel avec Streamlit et Ultralytics YOLO26 peut être utilisée dans différents secteurs :

    Pour découvrir davantage de cas d'utilisation et d'exemples, consulte Ultralytics Solutions.

  • Ultralytics YOLO26 offre plusieurs améliorations par rapport aux modèles précédents tels que YOLOv5 et les RCNN :

    • Vitesse et précision supérieures : performances améliorées pour les applications en temps réel.
    • Facilité d'utilisation : interfaces et déploiement simplifiés.
    • Efficacité des ressources : optimisation pour une meilleure vitesse avec un minimum de ressources de calcul.

    Pour une comparaison complète, consulte la documentation Ultralytics YOLO26 et les articles de blog associés consacrés aux performances des modèles.

Contributeurs
GLglenn-jocher14RIRizwanMunawar8RAraimbekovm3PDpderrenger1MAMatthewNoyce1JKjk4e1AMambitious-octopus1RUrulosant1

Commentaires