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: Deploy Ultralytics YOLO26 in a Browser with Gradio | Complete Tutorial | Vision AI 🌐
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、プログラミングなしで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プラットフォームを提供します。
- リアルタイム調整： 信頼度やIoUのしきい値といったパラメーターを動的に調整できるため、検出結果の即時フィードバックと最適化が可能です。
- 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できるため、デモンストレーションや教育目的、手軽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： 「画像をアップロード」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。
- パラメーターの調整：
- 信頼度しきい値： 物体検出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： 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での検出。
Link to this section使用例#
このセクションでは、Ultralytics YOLO26の物体検出用Gradioインターフェースを作成するためのPythonコードを紹介します。このサンプルは、対応するモデルチェックポイントをロードすることで、分類、インスタンスセグメンテーション、ポーズ推定、その他のYOLOタスクにも応用可能です。
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パラメーターの説明#
| パラメーター名 | タイプ | 説明 |
|---|---|---|
img | Image | 物体検出を行う画像。 |
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Intersection-over-Union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 | 信頼度およびIoUのしきい値を調整します。 |
| 画像出力 | 検出結果を表示します。 |
Link to this sectionよくある質問 (FAQ)#
Link to this sectionGradioとUltralytics YOLO26を使用して物体検出を行うには？#
GradioとUltralytics YOLO26を組み合わせて物体検出を行うには、以下の手順に従います。
- 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内のサンプルコード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とIoUのしきい値を調整して、リアルタイムの物体検出結果を得ます。
参考となる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 sectionGradioをUltralytics YOLO26の物体検出に使用するメリットは何ですか？#
Ultralytics YOLO26の物体検出にGradioを使用することには、いくつかのメリットがあります。
- ユーザーフレンドリーなインターフェース： Gradioは、プログラミング作業なしで画像をアップロードし、検出結果を視覚化できる直感的なインターフェースを提供します。
- リアルタイム調整： 信頼度やIoUしきい値などの検出パラメーターを動的に調整し、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アクセス可能なため、簡単な実験や教育目的、デモンストレーションに便利です。
詳細については、同様のインタラクティブな視覚化手法を紹介しているAIと放射線医学に関するブログ記事をご覧ください。
Link to this sectionGradioとUltralytics YOLO26は教育目的で併用できますか？#
はい、GradioとUltralytics YOLO26は教育目的で効果的に併用可能です。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なしで、Ultralytics YOLO26のような最先端のディープラーニングモデルを体験できます。Gradioは即座に視覚的なフィードバックを提供し、さまざまなパラメーターが検出パフォーマンスに与える影響を理解する助けとなるため、物体検出やコンピュータビジョンの主要な概念を教えるのに最適です。
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方法は？#
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： 物体検出に必要な最小信頼度レベルを決定します。スライダーで、必要な信頼度を上げたり下げたりできます。
- IoUしきい値： 重なり合う物体を区別するためのIntersection-over-Unionしきい値を設定します。この値を調整して、物体の分離を微調整します。
これらのパラメーターの詳細については、パラメーター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にはどのようなものがありますか？#
Ultralytics YOLO26とGradioを組み合わせた実用的なアプリケーションには、以下のような例があります。
- リアルタイム物体検出デモ： 物体検出がリアルタイムでどのように機能するかを紹介するのに最適です。
- 教育ツール： 教育現場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・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、フィードバックや共同作業を促進できます。
同様のユースケースの例については、インタラクティブな視覚化が野生生物保護の取り組み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。