Ultralytics YOLO27:
Get Started

대화형 객체 탐지: Gradio 및 Ultralytics YOLO26#

대화형 객체 탐지 소개#

이 Gradio 인터페이스는 Ultralytics YOLO26 모델을 사용해 객체 탐지를 간편하고 대화형으로 수행할 수 있는 방법을 제공합니다. 사용자는 이미지를 업로드하고 신뢰도 임계값 및 교집합 대비 합집합(IoU) 임계값과 같은 매개변수를 조정하여 실시간 탐지 결과를 얻을 수 있습니다.



시청: Gradio를 사용해 브라우저에서 Ultralytics YOLO26 배포하기 | 전체 튜토리얼 | Vision AI 🌐

객체 탐지에 Gradio를 사용하는 이유#

  • 사용자 친화적인 인터페이스: Gradio는 코딩 없이도 이미지를 업로드하고 탐지 결과를 시각화할 수 있는 간단한 플랫폼을 제공합니다.
  • 실시간 조정: 신뢰도 및 IoU 임계값과 같은 매개변수를 즉시 조정할 수 있어 탐지 결과에 대한 즉각적인 피드백을 받고 결과를 최적화할 수 있습니다.
  • 폭넓은 접근성: 누구나 Gradio 웹 인터페이스에 접속할 수 있어 시연, 교육, 빠른 실험에 유용한 도구입니다.

Gradio YOLO detection interface

Gradio 설치 방법#

pip install gradio

인터페이스 사용 방법#

  1. 이미지 업로드: 객체 탐지에 사용할 이미지 파일을 선택하려면 '이미지 업로드'를 클릭하세요.
  2. 매개변수 조정:
    • 신뢰도 임계값: 객체 탐지에 필요한 최소 신뢰도 수준을 설정하는 슬라이더입니다.
    • IoU 임계값: 서로 다른 객체를 구분하기 위한 IoU 임계값을 설정하는 슬라이더입니다.
  3. 결과 확인: 탐지된 객체와 레이블이 표시된 처리된 이미지가 나타납니다.

사용 사례 예시#

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

사용 예제#

이 섹션에서는 Ultralytics YOLO26 객체 탐지용 Gradio 인터페이스를 만드는 데 사용한 Python 코드를 제공합니다. 해당 모델 체크포인트를 불러오면 분류, 인스턴스 분할, 포즈 및 기타 YOLO 작업에 맞게 샘플을 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 신뢰도 임계값입니다.
iou_thresholdfloat객체 분리를 위한 교집합 대비 합집합 임계값입니다.

Gradio 인터페이스 구성 요소#

구성 요소설명
이미지 입력탐지할 이미지를 업로드하는 데 사용합니다.
슬라이더신뢰도 및 IoU 임계값을 조정하는 데 사용합니다.
이미지 출력탐지 결과를 표시하는 데 사용합니다.

자주 묻는 질문#

  • 객체 탐지에 Gradio와 Ultralytics YOLO26을 사용하려면 다음 단계를 따르세요.

    1. Gradio 설치: pip install gradio 명령을 사용하세요.
    2. 인터페이스 생성: Gradio 인터페이스를 초기화하는 Python 스크립트를 작성하세요. 자세한 내용은 문서에 제공된 코드 예제를 참조하세요.
    3. 업로드 및 조정: 이미지를 업로드하고 Gradio 인터페이스에서 신뢰도 및 IoU 임계값을 조정하여 실시간 객체 탐지 결과를 확인하세요.

    참고용 최소 코드 조각은 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(pil=True)  # RGB PIL 이미지입니다. pil=True 없이 plot()을 호출하면 BGR 배열이 반환됩니다.

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 코딩하지 않고도 이미지를 업로드하고 탐지 결과를 시각화할 수 있는 직관적인 인터페이스를 제공합니다.
    • 실시간 조정: 신뢰도 및 IoU 임계값과 같은 탐지 매개변수를 동적으로 조정하고 그 효과를 즉시 확인할 수 있습니다.
    • 접근성: 누구나 웹 인터페이스에 접속할 수 있어 빠른 실험, 교육 및 시연에 유용합니다.

    비슷한 대화형 시각화 기법을 소개하는 방사선학 분야의 AI에 관한 블로그 게시물에서 자세한 내용을 확인할 수 있습니다.

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

  • YOLO26용 Gradio 인터페이스에서는 제공되는 슬라이더를 사용하여 신뢰도 및 IoU 임계값을 조정할 수 있습니다. 이 임계값은 예측 정확도와 객체 분리를 제어하는 데 도움이 됩니다.

    • 신뢰도 임계값: 객체 탐지에 필요한 최소 신뢰도 수준을 결정합니다. 슬라이더를 움직여 필요한 신뢰도를 높이거나 낮추세요.
    • IoU 임계값: 겹치는 객체를 구분하는 교집합 대비 합집합 임계값을 설정합니다. 이 값을 조정하여 객체 분리를 세밀하게 조정하세요.

    이러한 매개변수에 대한 자세한 내용은 매개변수 설명 섹션을 참조하세요.

  • Ultralytics YOLO26과 Gradio를 결합하면 다음과 같은 실용적인 사례에 적용할 수 있습니다.

    • 실시간 객체 탐지 시연: 실시간 객체 탐지의 작동 방식을 보여주는 데 적합합니다.
    • 교육 도구: 학술 환경에서 객체 탐지와 컴퓨터 비전 개념을 가르치는 데 유용합니다.
    • 프로토타입 개발: 객체 탐지 애플리케이션의 프로토타입을 빠르게 개발하고 테스트하는 데 효율적입니다.
    • 커뮤니티 및 협업: 커뮤니티와 모델을 쉽게 공유하여 피드백을 받고 협업할 수 있습니다.

    대화형 시각화가 야생동물 보전 활동을 어떻게 개선할 수 있는지 보여주는 유사한 사용 사례는 동물 행동 모니터링에 관한 Ultralytics 블로그에서 확인하세요.

기여자
GLglenn-jocher17RIRizwanMunawar4RAraimbekovm1AMambitious-octopus1IVIvorZhu3311

댓글