Ultralytics YOLO27:

대화형 객체 검출: Gradio 및 Ultralytics YOLO26#

대화형 객체 탐지 소개#

이 Gradio 인터페이스는 객체 탐지를 수행할 수 있는 간편하고 대화형인 방법을 Ultralytics YOLO26 모델과 함께 제공합니다. 사용자는 이미지를 업로드하고 confidence threshold 및 IoU threshold와 같은 매개변수를 조정하여 실시간 탐지 결과를 확인할 수 있습니다.



Watch: Deploy Ultralytics YOLO26 in a Browser with Gradio | Complete Tutorial | Vision AI 🌐

객체 탐지에 Gradio를 사용하는 이유#

  • 사용자 친화적인 인터페이스: Gradio는 별도의 코딩 없이 이미지를 업로드하고 탐지 결과를 시각화할 수 있는 직관적인 플랫폼을 제공합니다.
  • 실시간 조정: confidence 및 IoU threshold와 같은 매개변수를 즉시 조정할 수 있어 탐지 결과에 대한 즉각적인 피드백과 최적화가 가능합니다.
  • 폭넓은 접근성: Gradio 웹 인터페이스는 누구나 이용할 수 있으므로 데모, 교육 목적 및 빠른 실험에 매우 유용합니다.

Gradio YOLO detection interface

Gradio 설치 방법#

pip install gradio

인터페이스 사용 방법#

  1. 이미지 업로드: 객체 탐지에 사용할 이미지 파일을 선택하려면 'Upload Image'를 클릭합니다.
  2. 매개변수 조정:
    • Confidence Threshold: 객체 탐지를 위한 최소 confidence 수준을 설정하는 슬라이더입니다.
    • IoU Threshold: 서로 다른 객체를 구분하기 위한 IoU threshold를 설정하는 슬라이더입니다.
  3. 결과 보기: 탐지된 객체와 해당 레이블이 표시된 처리된 이미지가 표시됩니다.

사용 사례 예시#

  • 샘플 이미지 1: 기본 threshold를 사용한 버스 탐지입니다.
  • 샘플 이미지 2: 기본 threshold를 사용한 스포츠 이미지 탐지입니다.

사용 예시#

이 섹션에서는 Ultralytics YOLO26 객체 탐지용 Gradio 인터페이스를 만드는 데 사용되는 Python 코드를 제공합니다. 해당 모델 checkpoint를 로드하면 이 샘플을 classification, instance segmentation, pose 및 기타 YOLO 작업에 맞게 조정할 수 있습니다.

import gradio as gr
from PIL import 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 이름유형설명
imgImage객체 탐지를 수행할 이미지입니다.
conf_thresholdfloat객체 탐지를 위한 confidence threshold입니다.
iou_thresholdfloat객체 분리를 위한 IoU threshold입니다.

Gradio 인터페이스 구성 요소#

구성 요소설명
이미지 입력탐지할 이미지를 업로드합니다.
슬라이더confidence 및 IoU threshold를 조정합니다.
이미지 출력탐지 결과를 표시합니다.

FAQ#

  • 객체 탐지에 Ultralytics YOLO26과 함께 Gradio를 사용하려면 다음 단계를 따를 수 있습니다:

    1. Gradio 설치: pip install gradio 명령을 사용합니다.
    2. 인터페이스 생성: Gradio 인터페이스를 초기화하는 Python 스크립트를 작성합니다. 자세한 내용은 제공된 문서의 코드 예제를 참조할 수 있습니다.
    3. 업로드 및 조정: Gradio 인터페이스에서 이미지를 업로드하고 confidence 및 IoU threshold를 조정하여 실시간 객체 탐지 결과를 확인합니다.

    참조할 수 있는 최소 코드 예제는 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 사용하면 다음과 같은 여러 이점이 있습니다:

    • 사용자 친화적인 인터페이스: Gradio는 코딩 작업 없이 이미지를 업로드하고 탐지 결과를 시각화할 수 있는 직관적인 인터페이스를 제공합니다.
    • 실시간 조정: confidence 및 IoU threshold와 같은 탐지 매개변수를 동적으로 조정하고 그 효과를 즉시 확인할 수 있습니다.
    • 접근성: 웹 인터페이스는 누구나 이용할 수 있으므로 빠른 실험, 교육 목적 및 데모에 유용합니다.

    자세한 내용은 유사한 대화형 시각화 기법을 소개하는 방사선학 분야의 AI에 관한 블로그 게시물을 참조할 수 있습니다.

  • 예, 교육 목적으로 Gradio와 Ultralytics YOLO26을 효과적으로 함께 사용할 수 있습니다. Gradio의 직관적인 웹 인터페이스를 사용하면 학생과 교육자가 고급 프로그래밍 기술 없이도 Ultralytics YOLO26과 같은 최신 딥러닝 모델과 쉽게 상호작용할 수 있습니다. Gradio는 즉각적인 시각적 피드백을 제공하여 다양한 매개변수가 탐지 성능에 미치는 영향을 이해하는 데 도움을 주므로, 이 설정은 객체 탐지 및 컴퓨터 비전의 핵심 개념을 시연하는 데 적합합니다.

  • YOLO26용 Gradio 인터페이스에서는 제공되는 슬라이더를 사용하여 confidence 및 IoU threshold를 조정할 수 있습니다. 이러한 threshold는 예측 정확도와 객체 분리를 제어하는 데 도움이 됩니다:

    • Confidence Threshold: 객체 탐지를 위한 최소 confidence 수준을 결정합니다. 필요한 confidence 수준을 높이거나 낮추려면 슬라이더를 조정합니다.
    • IoU Threshold: 겹치는 객체를 구분하기 위한 IoU threshold를 설정합니다. 객체 분리를 세밀하게 조정하려면 이 값을 조정합니다.

    이러한 매개변수에 대한 자세한 내용은 매개변수 설명 섹션을 참조하세요.

  • Ultralytics YOLO26과 Gradio를 결합한 실제 활용 사례는 다음과 같습니다:

    • 실시간 객체 탐지 데모: 객체 탐지가 실시간으로 작동하는 방식을 보여주는 데 적합합니다.
    • 교육 도구: 학술 환경에서 객체 탐지 및 컴퓨터 비전 개념을 가르치는 데 유용합니다.
    • 프로토타입 개발: 객체 탐지 애플리케이션 프로토타입을 신속하게 개발하고 테스트하는 데 효율적입니다.
    • 커뮤니티 및 협업: 피드백과 협업을 위해 모델을 커뮤니티와 쉽게 공유할 수 있습니다.

    유사한 사용 사례는 동물 행동 모니터링에 관한 Ultralytics 블로그에서 확인할 수 있습니다. 이 블로그에서는 대화형 시각화가 야생동물 보전 활동을 어떻게 향상할 수 있는지 보여줍니다.

기여자
GLglenn-jocher16RIRizwanMunawar4RAraimbekovm1AMambitious-octopus1IVIvorZhu3311

댓글