대화형 객체 탐지: Gradio 및 Ultralytics YOLO26 🚀
대화형 객체 탐지 소개
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
객체 탐지에 Gradio를 사용하는 이유는 무엇입니까?
- 사용자 친화적인 인터페이스: Gradio는 사용자가 코딩 없이 이미지를 업로드하고 탐지 결과를 시각화할 수 있는 간단한 플랫폼을 제공합니다.
- 실시간 조정: 신뢰도 및 IoU 임계값과 같은 매개변수를 즉석에서 조정할 수 있어 탐지 결과에 대한 즉각적인 피드백과 최적화가 가능합니다.
- 넓은 접근성: Gradio 웹 인터페이스는 누구나 액세스할 수 있어 데모, 교육 목적 및 빠른 실험을 위한 훌륭한 도구입니다.
Gradio 설치 방법
pip install gradio인터페이스 사용 방법
- 이미지 업로드: '이미지 업로드'를 클릭하여 객체 탐지를 위한 이미지 파일을 선택합니다.
- 매개변수 조정:
- 신뢰도 임계값: 객체 탐지를 위한 최소 신뢰도 수준을 설정하는 슬라이더입니다.
- IoU 임계값: 서로 다른 객체를 구분하기 위한 IoU 임계값을 설정하는 슬라이더입니다.
- 결과 보기: 탐지된 객체와 해당 레이블이 표시된 처리된 이미지가 나타납니다.
사용 사례 예시
- 샘플 이미지 1: 기본 임계값을 사용한 버스 탐지.
- 샘플 이미지 2: 기본 임계값을 사용한 스포츠 이미지 탐지.
사용 예시
이 섹션에서는 Ultralytics YOLO26 모델과 함께 Gradio 인터페이스를 생성하는 데 사용되는 Python 코드를 제공합니다. 이 코드는 분류, 탐지, 세그멘테이션 및 키포인트 작업을 지원합니다.
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()매개변수 설명
| 매개변수 이름 | 유형(Type) | 설명 |
|---|---|---|
img | Image | 객체 탐지를 수행할 이미지입니다. |
conf_threshold | float | 객체 탐지를 위한 신뢰도 임계값입니다. |
iou_threshold | float | 객체 분리를 위한 Intersection-over-union 임계값입니다. |
Gradio 인터페이스 구성 요소
| 컴포넌트 | 설명 |
|---|---|
| 이미지 입력 | 탐지를 위해 이미지를 업로드합니다. |
| 슬라이더 | 신뢰도 및 IoU 임계값을 조정합니다. |
| 이미지 출력 | 탐지 결과를 표시합니다. |
FAQ
객체 탐지를 위해 Ultralytics YOLO26과 Gradio를 어떻게 사용합니까?
객체 탐지를 위해 Ultralytics YOLO26과 Gradio를 사용하려면 다음 단계를 따르십시오:
- Gradio 설치:
pip install gradio명령을 사용합니다. - 인터페이스 생성: Gradio 인터페이스를 초기화하는 Python 스크립트를 작성합니다. 자세한 내용은 문서의 제공된 코드 예시를 참조할 수 있습니다.
- 업로드 및 조정: Gradio 인터페이스에 이미지를 업로드하고 신뢰도 및 IoU 임계값을 조정하여 실시간 객체 탐지 결과를 얻습니다.
참조를 위한 최소한의 코드 스니펫은 다음과 같습니다:
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()Ultralytics YOLO26 객체 탐지에 Gradio를 사용할 때의 이점은 무엇입니까?
Ultralytics YOLO26 객체 탐지에 Gradio를 사용하면 다음과 같은 이점이 있습니다:
- 사용자 친화적인 인터페이스: Gradio는 사용자가 코딩 노력 없이 이미지를 업로드하고 탐지 결과를 시각화할 수 있는 직관적인 인터페이스를 제공합니다.
- 실시간 조정: 신뢰도 및 IoU 임계값과 같은 탐지 매개변수를 동적으로 조정하고 즉시 효과를 확인할 수 있습니다.
- 접근성: 웹 인터페이스는 누구나 액세스할 수 있어 빠른 실험, 교육 목적 및 데모에 유용합니다.
자세한 내용은 유사한 대화형 시각화 기술을 보여주는 AI 방사선학 블로그 게시물을 읽어보십시오.
교육 목적으로 Gradio와 Ultralytics YOLO26을 함께 사용할 수 있습니까?
예, Gradio와 Ultralytics YOLO26을 교육 목적으로 함께 효과적으로 활용할 수 있습니다. Gradio의 직관적인 웹 인터페이스를 통해 학생과 교육자는 고급 프로그래밍 기술 없이도 Ultralytics YOLO26과 같은 최첨단 딥러닝 모델과 상호 작용할 수 있습니다. Gradio는 즉각적인 시각적 피드백을 제공하여 탐지 성능에 미치는 매개변수의 영향을 이해하는 데 도움을 주므로, 이 설정은 객체 탐지 및 컴퓨터 비전의 핵심 개념을 설명하는 데 이상적입니다.
YOLO26에 대한 Gradio 인터페이스에서 신뢰도 및 IoU 임계값을 어떻게 조정합니까?
YOLO26용 Gradio 인터페이스에서는 제공된 슬라이더를 사용하여 신뢰도 및 IoU 임계값을 조정할 수 있습니다. 이러한 임계값은 예측 정확도 및 객체 분리를 제어하는 데 도움이 됩니다:
- 신뢰도 임계값: 객체 탐지를 위한 최소 신뢰도 수준을 결정합니다. 슬라이더를 밀어 필요한 신뢰도를 높이거나 낮춥니다.
- IoU 임계값: 겹치는 객체를 구분하기 위한 Intersection-over-union 임계값을 설정합니다. 이 값을 조정하여 객체 분리를 정밀하게 조정합니다.
이러한 매개변수에 대한 자세한 내용은 매개변수 설명 섹션을 방문하십시오.
Ultralytics YOLO26과 Gradio를 사용하는 실제 응용 사례는 무엇입니까?
Ultralytics YOLO26과 Gradio를 결합한 실제 응용 사례는 다음과 같습니다:
- 실시간 객체 탐지 데모: 객체 탐지가 실시간으로 어떻게 작동하는지 보여주는 데 이상적입니다.
- 교육 도구: 학문적 환경에서 객체 탐지 및 컴퓨터 비전 개념을 가르치는 데 유용합니다.
- 프로토타입 개발: 프로토타입 객체 탐지 애플리케이션을 신속하게 개발하고 테스트하는 데 효율적입니다.
- 커뮤니티 및 협업: 피드백과 협업을 위해 커뮤니티와 모델을 쉽게 공유할 수 있습니다.
유사한 사용 사례의 예는 대화형 시각화가 야생 동물 보호 노력을 어떻게 향상시킬 수 있는지 보여주는 동물 행동 모니터링 관련 Ultralytics 블로그를 확인하십시오.