ストリームリット・アプリケーションを使ったライブ推論Ultralytics YOLO11

はじめに

Streamlitを使えば、インタラクティブなウェブ・アプリケーションを簡単に構築・展開できます。Ultralytics YOLO11 と組み合わせることで、ブラウザ上で直接、リアルタイムのオブジェクト検出と分析が可能になります。YOLO11 高精度と高速性により、ライブ・ビデオ・ストリームのシームレスなパフォーマンスが保証され、セキュリティ、小売などのアプリケーションに最適です。

見るんだ： Streamlit をUltralytics でリアルタイムに使用する方法 コンピュータ・ビジョン ブラウザで

水産養殖	動物飼育
魚の検出Ultralytics YOLO11	動物を用いた検出Ultralytics YOLO11

ライブ推理の利点

• シームレスなリアルタイム物体検出：StreamlitとYOLO11 を組み合わせることで、ウェブカメラフィードから直接リアルタイムの物体検出が可能になります。これにより、即時の分析と洞察が可能になり、即時のフィードバックを必要とするアプリケーションに最適です。
• ユーザーフレンドリーなデプロイメント：Streamlitのインタラクティブなインターフェースは、豊富な専門知識がなくてもアプリケーションの導入と使用を容易にします。ユーザーは簡単なクリック操作でライブ推論を開始でき、アクセシビリティとユーザビリティが向上します。
• 効率的なリソース利用：YOLO11 最適化されたアルゴリズムにより、最小限の計算リソースで高速処理を実現。この効率性により、標準的なハードウェアでもスムーズで信頼性の高いウェブカメラ推論が可能になり、より多くのユーザーが高度なコンピュータビジョンにアクセスできるようになります。

ストリームリット・アプリケーション・コード

yolo streamlit-predict

from ultralytics import solutions

solutions.inference()

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

これでデフォルトのウェブブラウザでStreamlitアプリケーションが起動します。メインタイトル、サブタイトル、サイドバーに設定オプションが表示されます。希望のYOLO11 モデルを選択し、確信度と NMS しきい値を設定し、"Start" ボタンをクリックしてリアルタイムの物体検出を開始します。

オプションでPython に特定のモデルを指定することができる：

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>`

結論

このガイドに従うことで、Streamlit とUltralytics YOLO11 を使用したリアルタイムの物体検出アプリケーションの作成に成功しました。このアプリケーションでは、ウェブカメラを通した物体検出におけるYOLO11 の威力を、ユーザーフレンドリーなインターフェイスと、ビデオストリームをいつでも停止できる機能で体験することができます。

さらなる機能拡張として、ビデオストリームの録画、アノテーションフレームの保存、他のコンピュータビジョンライブラリとの統合などの機能追加を検討することができます。

コミュニティで感想を共有する

コミュニティに参加して、より多くのことを学び、問題を解決し、プロジェクトを共有しましょう：

ヘルプ＆サポート

• GitHub Issues： Ultralytics GitHub リポジトリにアクセスして、質問、バグ報告、機能の提案を行ってください。
• Ultralytics Discordサーバー： Ultralytics Discord サーバーに参加して、他のユーザーや開発者とつながり、サポートを受け、知識を共有し、アイデアを出し合いましょう。

公式文書

• Ultralytics YOLO11 ドキュメント様々なコンピュータビジョンタスクやプロジェクトに関する包括的なガイドや洞察については、 YOLO11 の公式ドキュメントを参照してください。

よくあるご質問

Streamlit とUltralytics YOLO11 を使ったリアルタイム物体検出アプリケーションのセットアップ方法を教えてください。

Streamlit とUltralytics YOLO11 を使ったリアルタイム物体検知アプリケーションのセットアップは簡単です。まず、Ultralytics Python パッケージがインストールされていることを確認してください：

pip install ultralytics

そして、ライブ推論を実行するための基本的なStreamlitアプリケーションを作成することができる：

from ultralytics import solutions

solutions.inference()

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

yolo streamlit-predict

実用的なセットアップの詳細については、ドキュメントのStreamlit Application Codeセクションを参照してください。

Ultralytics YOLO11 と Streamlit をリアルタイム物体検出に使用する主な利点は何ですか？

Ultralytics YOLO11 と Streamlit をリアルタイム物体検出に使用すると、いくつかの利点がある：

• シームレスなリアルタイム検出：ウェブカメラフィードから直接、高精度のリアルタイム物体検出を実現。
• ユーザーフレンドリーなインターフェース：Streamlitの直感的なインターフェースは、専門的な知識がなくても簡単に使用・導入できます。
• リソース効率：YOLO11 の最適化されたアルゴリズムは、最小限の計算リソースで高速処理を実現します。

これらの利点の詳細については、こちらをご覧ください。

Streamlit オブジェクト検出アプリケーションをウェブブラウザに展開するには？

Ultralytics YOLO11 を統合したStreamlitアプリケーションをコーディングしたら、それをデプロイすることができます：

streamlit run <file-name.py>

このコマンドはデフォルトのウェブブラウザでアプリケーションを起動し、YOLO11 モデルの選択、信頼度、NMS のしきい値の設定、リアルタイムの物体検出の開始を簡単なクリック操作で行うことができます。詳細なガイドについては、Streamlit アプリケーションコードのセクションを参照してください。

Streamlit とUltralytics YOLO11 を使ったリアルタイムの物体検出のユースケースは？

Streamlit とUltralytics YOLO11 を使ったリアルタイムの物体検出は、様々な分野に応用できる：

• セキュリティ不正アクセスをリアルタイムで監視。
• 小売業顧客カウント、棚管理など。
• 野生動物と農業：動物と作物の状態を監視する。

より詳細な使用例や事例については、Ultralytics ソリューションをご覧ください。

Ultralytics YOLO11 と、YOLOv5 や RCNN などの他の物体検出モデルとの比較は？

Ultralytics YOLO11 は、YOLOv5 や RCNN のような先行モデルに対していくつかの改良を施している：

• スピードと精度の向上：リアルタイムアプリケーションのパフォーマンスが向上。
• 使いやすさ：簡素化されたインターフェースと配備。
• リソース効率：最小限の計算要件でより高速になるように最適化されています。

包括的な比較については、Ultralytics YOLO11 ドキュメントや、モデルのパフォーマンスに関する関連ブログ記事をご覧ください。

📅作成：5ヶ月前 ✏️更新しました 1ヶ月前

コメント