Inferenza dal vivo con l'applicazione Streamlit utilizzando Ultralytics YOLOv8

Introduzione

Streamlit semplifica la creazione e la distribuzione di applicazioni web interattive. La combinazione con Ultralytics YOLOv8 consente il rilevamento e l'analisi degli oggetti in tempo reale direttamente nel browser. YOLOv8 garantisce un'elevata precisione e velocità per i flussi video in diretta, rendendolo ideale per le applicazioni nei settori della sicurezza, della vendita al dettaglio e non solo.

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

Acquacoltura	Allevamento di animali
Rilevamento dei pesci con Ultralytics YOLOv8	Animali Rilevamento tramite Ultralytics YOLOv8

Vantaggi dell'inferenza dal vivo

• Rilevamento degli oggetti in tempo reale senza soluzione di continuità: Streamlit combinato con YOLOv8 consente di rilevare gli oggetti in tempo reale direttamente dal feed della tua webcam. Ciò consente di effettuare analisi e approfondimenti immediati, rendendolo ideale per le applicazioni che richiedono un feedback immediato.
• Distribuzione facile da usare: L'interfaccia interattiva di Streamlit facilita l'implementazione e l'utilizzo dell'applicazione anche senza conoscenze tecniche approfondite. Gli utenti possono avviare l'inferenza dal vivo con un semplice clic, migliorando l'accessibilità e l'usabilità.
• Utilizzo efficiente delle risorse: l'algoritmo ottimizzato di YOLOv8 garantisce un'elaborazione ad alta velocità con risorse computazionali minime. Questa efficienza consente un'inferenza fluida e affidabile della webcam anche su hardware standard, rendendo la computer vision avanzata accessibile a un pubblico più ampio.

Codice applicazione Streamlit

from ultralytics import solutions

solutions.inference()

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

yolo streamlit-predict

In questo modo verrà avviata l'applicazione Streamlit nel tuo browser web predefinito. Vedrai il titolo principale, il sottotitolo e la barra laterale con le opzioni di configurazione. Seleziona il modello YOLOv8 desiderato, imposta le soglie di confidenza e NMS e clicca sul pulsante "Start" per iniziare il rilevamento degli oggetti in tempo reale.

È possibile indicare un modello specifico in 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>`

Conclusione

Seguendo questa guida, hai creato con successo un'applicazione per il rilevamento di oggetti in tempo reale utilizzando Streamlit e Ultralytics YOLOv8 . Questa applicazione ti permette di sperimentare la potenza di YOLOv8 nel rilevamento di oggetti attraverso la tua webcam, con un'interfaccia facile da usare e la possibilità di interrompere il flusso video in qualsiasi momento.

Per ulteriori miglioramenti, puoi valutare l'aggiunta di altre funzioni come la registrazione del flusso video, il salvataggio dei fotogrammi annotati o l'integrazione con altre librerie di computer vision.

Condividi i tuoi pensieri con la community

Partecipa alla comunità per saperne di più, risolvere i problemi e condividere i tuoi progetti:

Dove trovare aiuto e supporto

• Problemi su GitHub: Visita il repository GitHub di Ultralytics per porre domande, segnalare bug e suggerire funzionalità.
• Ultralytics Server Discord: Unisciti al server Discord diUltralytics per connetterti con altri utenti e sviluppatori, ricevere supporto, condividere conoscenze e fare brainstorming di idee.

Documentazione ufficiale

• Ultralytics YOLOv8 Documentazione: Consulta la documentazione ufficiale di YOLOv8 per trovare guide complete e approfondimenti su varie attività e progetti di computer vision.

DOMANDE FREQUENTI

Come posso configurare un'applicazione di rilevamento di oggetti in tempo reale utilizzando Streamlit e Ultralytics YOLOv8 ?

La configurazione di un'applicazione di rilevamento di oggetti in tempo reale con Streamlit e Ultralytics YOLOv8 è semplice. Innanzitutto, assicurati di aver installato il pacchetto Ultralytics Python utilizzando:

pip install ultralytics

Quindi, puoi creare un'applicazione Streamlit di base per eseguire l'inferenza dal vivo:

from ultralytics import solutions

solutions.inference()

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

yolo streamlit-predict

Per maggiori dettagli sulla configurazione pratica, consulta la sezione Codice dell'applicazione Streamlit della documentazione.

Quali sono i principali vantaggi dell'utilizzo di Ultralytics YOLOv8 con Streamlit per il rilevamento di oggetti in tempo reale?

L'utilizzo di Ultralytics YOLOv8 con Streamlit per il rilevamento degli oggetti in tempo reale offre diversi vantaggi:

• Rilevamento in tempo reale senza soluzione di continuità: Rilevamento di oggetti in tempo reale e ad alta precisione direttamente dai feed della webcam.
• Interfaccia facile da usare: L'interfaccia intuitiva di Streamlit consente un utilizzo e un'implementazione semplici anche senza conoscenze tecniche approfondite.
• Efficienza delle risorse: gli algoritmi ottimizzati di YOLOv8 garantiscono un'elaborazione ad alta velocità con risorse computazionali minime.

Scopri di più su questi vantaggi qui.

Come faccio a distribuire un'applicazione di rilevamento di oggetti Streamlit nel mio browser web?

Dopo aver codificato la tua applicazione Streamlit integrando Ultralytics YOLOv8 , puoi distribuirla eseguendo:

streamlit run <file-name.py>

Questo comando avvierà l'applicazione nel tuo browser web predefinito, consentendoti di selezionare i modelli di YOLOv8 , di impostare le soglie di confidenza e NMS e di avviare il rilevamento degli oggetti in tempo reale con un semplice clic. Per una guida dettagliata, consulta la sezione Codice dell'applicazione Streamlit.

Quali sono alcuni casi d'uso per il rilevamento di oggetti in tempo reale utilizzando Streamlit e Ultralytics YOLOv8 ?

Il rilevamento di oggetti in tempo reale tramite Streamlit e Ultralytics YOLOv8 può essere applicato in diversi settori:

• Sicurezza: Monitoraggio in tempo reale degli accessi non autorizzati.
• Vendita al dettaglio: Conteggio dei clienti, gestione degli scaffali e molto altro.
• Animali selvatici e agricoltura: Monitoraggio degli animali e delle condizioni delle colture.

Per approfondire i casi d'uso e gli esempi, esplora le soluzioni diUltralytics .

Come si colloca Ultralytics YOLOv8 rispetto ad altri modelli di rilevamento degli oggetti come YOLOv5 e RCNNs?

Ultralytics YOLOv8 offre diversi miglioramenti rispetto a modelli precedenti come YOLOv5 e RCNN:

• Maggiore velocità e precisione: prestazioni migliorate per le applicazioni in tempo reale.
• Facilità d'uso: interfacce e distribuzione semplificate.
• Efficienza delle risorse: Ottimizzato per ottenere una maggiore velocità con requisiti di calcolo minimi.

Per un confronto completo, consulta la documentazione diUltralytics YOLOv8 e i relativi post sul blog che parlano delle prestazioni del modello.

📅 Created 2 months ago ✏️ Updated 1 day ago

Commenti