Link to this sectionインタラクティブな物体検出：GradioとUltralytics YOLO26 🚀#
Link to this sectionインタラクティブな物体検出の概要#
This Gradio interface provides an easy and interactive way to perform object detection using the Ultralytics YOLO26 model. Users can upload images and adjust parameters like confidence threshold and intersection-over-union (IoU) threshold to get real-time detection results.
Watch: Gradio Integration with Ultralytics YOLO26
Link to this sectionなぜ物体検出にGradioを使用するのか？#
- ユーザーフレンドリーなインターフェース： Gradioは、コーディングなしでユーザーが画像をアップロードし、検出結果を視覚化するためのシンプルなプラットフォームを提供します。
- リアルタイムの調整： 信頼度やIoUしきい値などのパラメータをその場で調整できるため、即座にフィードバックを得て検出結果を最適化できます。
- 高いアクセシビリティ： GradioのWebインターフェースは誰でもアクセス可能であり、デモンストレーションや教育目的、迅速な実験に最適なツールです。
Link to this sectionGradioのインストール方法#
pip install gradioLink to this sectionインターフェースの使用方法#
- 画像のアップロード： 「Upload Image」をクリックして、物体検出を行う画像ファイルを選択します。
- パラメータの調整：
- 信頼度しきい値（Confidence Threshold）： 物体を検出するための最小信頼度レベルを設定するスライダーです。
- IoUしきい値（IoU Threshold）： 異なる物体を区別するためのIoUしきい値を設定するスライダーです。
- 結果の表示： 検出された物体とそのラベルが描画された処理済みの画像が表示されます。
Link to this section使用例#
- サンプル画像1： デフォルトのしきい値を使用したバスの検出。
- サンプル画像2： デフォルトのしきい値を使用したスポーツ画像の検出。
Link to this section使用例#
このセクションでは、Ultralytics YOLO26物体検出用のGradioインターフェースを作成するために使用されるPythonコードを提供します。このサンプルは、対応するモデルチェックポイントを読み込むことで、分類、インスタンスセグメンテーション、ポーズ推定、およびその他のYOLOタスクに適応させることができます。
import gradio as gr
import PIL.Image as Image
from ultralytics import ASSETS, YOLO
model = YOLO("yolo26n.pt")
def predict_image(img, conf_threshold, iou_threshold):
"""Predicts objects in an image using a YOLO26 model with adjustable confidence and IoU thresholds."""
results = model.predict(
source=img,
conf=conf_threshold,
iou=iou_threshold,
show_labels=True,
show_conf=True,
imgsz=640,
)
for r in results:
im_array = r.plot()
im = Image.fromarray(im_array[..., ::-1])
return im
iface = gr.Interface(
fn=predict_image,
inputs=[
gr.Image(type="pil", label="Upload Image"),
gr.Slider(minimum=0, maximum=1, value=0.25, label="Confidence threshold"),
gr.Slider(minimum=0, maximum=1, value=0.45, label="IoU threshold"),
],
outputs=gr.Image(type="pil", label="Result"),
title="Ultralytics Gradio",
description="Upload images for inference. The Ultralytics YOLO26n model is used by default.",
examples=[
[ASSETS / "bus.jpg", 0.25, 0.45],
[ASSETS / "zidane.jpg", 0.25, 0.45],
],
)
if __name__ == "__main__":
iface.launch()Link to this sectionパラメータの説明#
| パラメータ名 | 型 | 説明 |
|---|---|---|
img | Image | 物体検出を実行する画像。 |
conf_threshold | float | 物体を検出するための信頼度しきい値。 |
iou_threshold | float | 物体を分離するためのIoUしきい値。 |
Link to this sectionGradioインターフェースのコンポーネント#
| コンポーネント | 説明 |
|---|---|
| 画像入力 | 検出用の画像をアップロードします。 |
| スライダー | 信頼度としきい値（IoU）を調整します。 |
| 画像出力 | 検出結果を表示します。 |
Link to this sectionFAQ#
Link to this sectionUltralytics YOLO26で物体検出を行うためにGradioを使用するにはどうすればよいですか？#
Ultralytics YOLO26で物体検出を行うためにGradioを使用するには、以下の手順に従ってください。
- Gradioのインストール：
pip install gradioコマンドを使用します。 - インターフェースの作成： Gradioインターフェースを初期化するためのPythonスクリプトを作成します。詳細はドキュメントで提供されているコード例を参照してください。
- アップロードと調整： 画像をアップロードし、Gradioインターフェース上で信頼度およびIoUしきい値を調整して、リアルタイムで物体検出結果を取得します。
参考までに、最小限のコードスニペットを以下に示します。
import gradio as gr
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
def predict_image(img, conf_threshold, iou_threshold):
results = model.predict(
source=img,
conf=conf_threshold,
iou=iou_threshold,
show_labels=True,
show_conf=True,
)
return results[0].plot() if results else None
iface = gr.Interface(
fn=predict_image,
inputs=[
gr.Image(type="pil", label="Upload Image"),
gr.Slider(minimum=0, maximum=1, value=0.25, label="Confidence threshold"),
gr.Slider(minimum=0, maximum=1, value=0.45, label="IoU threshold"),
],
outputs=gr.Image(type="pil", label="Result"),
title="Ultralytics Gradio YOLO26",
description="Upload images for YOLO26 object detection.",
)
iface.launch()Link to this sectionUltralytics YOLO26の物体検出にGradioを使用する利点は何ですか？#
Ultralytics YOLO26の物体検出にGradioを使用することには、いくつかの利点があります。
- ユーザーフレンドリーなインターフェース： Gradioは、ユーザーがコーディングの手間をかけずに画像をアップロードし、検出結果を視覚化するための直感的なインターフェースを提供します。
- リアルタイムの調整： 信頼度やIoUしきい値などの検出パラメータを動的に調整し、その効果を即座に確認できます。
- アクセシビリティ： Webインターフェースは誰でも利用できるため、迅速な実験、教育目的、デモンストレーションに役立ちます。
詳細については、同様のインタラクティブな視覚化技術を紹介した放射線科におけるAIに関するブログ記事をご覧ください。
Link to this section教育目的でGradioとUltralytics YOLO26を一緒に使用できますか？#
はい、GradioとUltralytics YOLO26を組み合わせて教育目的で効果的に活用できます。Gradioの直感的なWebインターフェースにより、学生や教育関係者は高度なプログラミングスキルを必要とせずに、Ultralytics YOLO26のような最先端のディープラーニングモデルを簡単に扱うことができます。このセットアップは、物体検出やコンピュータビジョンの主要な概念をデモンストレーションするのに理想的です。Gradioは即座に視覚的なフィードバックを提供するため、さまざまなパラメータが検出パフォーマンスに与える影響を理解するのに役立ちます。
Link to this sectionYOLO26のGradioインターフェースで信頼度とIoUのしきい値を調整するにはどうすればよいですか？#
YOLO26のGradioインターフェースでは、提供されているスライダーを使用して信頼度とIoUのしきい値を調整できます。これらのしきい値は、予測の精度と物体の分離を制御するのに役立ちます。
- 信頼度しきい値（Confidence Threshold）： 物体を検出するための最小信頼度レベルを決定します。スライドさせて、必要な信頼度を上げたり下げたりします。
- IoUしきい値（IoU Threshold）： 重なり合った物体を区別するためのIoUしきい値を設定します。この値を調整して、物体の分離精度を微調整します。
これらのパラメータの詳細については、パラメータの説明セクションをご覧ください。
Link to this sectionUltralytics YOLO26とGradioを併用する実用的なアプリケーションは何ですか？#
Ultralytics YOLO26とGradioを組み合わせる実用的なアプリケーションには、以下が含まれます。
- リアルタイム物体検出のデモンストレーション： 物体検出がリアルタイムでどのように機能するかを示すのに最適です。
- 教育ツール： 学術的な環境で、物体検出やコンピュータビジョンの概念を教えるのに役立ちます。
- プロトタイプ開発： 物体検出アプリケーションのプロトタイプを迅速に開発およびテストするのに効率的です。
- コミュニティとコラボレーション： コミュニティとモデルを簡単に共有してフィードバックやコラボレーションを得ることができます。
同様の使用例については、インタラクティブな視覚化が野生生物の保護活動をどのように強化できるかを示した動物行動モニタリングに関するUltralyticsブログをご覧ください。