Skip to content

대화형 객체 감지: Gradio & Ultralytics YOLO11 🚀

대화형 객체 탐지 소개

이 Gradio 인터페이스는 Ultralytics YOLO11 모델을 사용하여 객체 탐지를 수행하는 쉽고 대화형적인 방법을 제공합니다. 사용자는 이미지를 업로드하고 신뢰도 임계값 및 IoU(Intersection-over-Union) 임계값과 같은 매개변수를 조정하여 실시간 탐지 결과를 얻을 수 있습니다.



참고: Ultralytics YOLO11과의 Gradio 통합

객체 감지에 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 파라미터를 즉석에서 조정할 수 있어 즉각적인 피드백과 감지 결과 최적화가 가능합니다.
  • 광범위한 접근성: Gradio 웹 인터페이스는 누구나 액세스할 수 있으므로 데모, 교육 목적 및 빠른 실험을 위한 훌륭한 도구입니다.

Gradio 예제 스크린샷

Gradio 설치 방법

pip install gradio

인터페이스 사용 방법

  1. 이미지 업로드: '이미지 업로드'를 클릭하여 객체 감지를 위한 이미지 파일을 선택합니다.
  2. 파라미터 조정:
    • 신뢰도 임계값: 객체 감지를 위한 최소 신뢰도 수준을 설정하는 슬라이더입니다.
    • IoU 임계값: 서로 다른 객체를 구별하기 위한 IoU 임계값을 설정하는 슬라이더입니다.
  3. 결과 보기: 감지된 객체와 해당 레이블이 있는 처리된 이미지가 표시됩니다.

사용 사례 예시

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

사용 예시

이 섹션에서는 Ultralytics YOLO11 모델로 Gradio 인터페이스를 만드는 데 사용되는 python 코드를 제공합니다. 이 코드는 분류 작업, 감지 작업, 분할 작업 및 키포인트 작업을 지원합니다.

import gradio as gr
import PIL.Image as Image

from ultralytics import ASSETS, YOLO

model = YOLO("yolo11n.pt")


def predict_image(img, conf_threshold, iou_threshold):
    """Predicts objects in an image using a YOLO11 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 YOLO11n 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 설명
img Image 객체 감지가 수행될 이미지입니다.
conf_threshold float 객체 감지를 위한 신뢰도 임계값입니다.
iou_threshold float 객체 분리를 위한 Intersection-over-union 임계값입니다.

Gradio 인터페이스 구성 요소

구성 요소 설명
이미지 입력 감지를 위해 이미지를 업로드합니다.
슬라이더 신뢰도 및 IoU 임계값을 조정합니다.
이미지 출력 검출 결과를 표시합니다.

FAQ

객체 탐지를 위해 Ultralytics YOLO11과 함께 Gradio를 어떻게 사용하나요?

객체 감지를 위해 Ultralytics YOLO11과 함께 Gradio를 사용하려면 다음 단계를 따르십시오.

  1. Gradio 설치: 다음 명령어를 사용하세요. pip install gradio.
  2. 인터페이스 생성: python 스크립트를 작성하여 Gradio 인터페이스를 초기화합니다. 자세한 내용은 설명서에서 제공된 코드 예제를 참조하십시오.
  3. 업로드 및 조정: 이미지를 업로드하고 Gradio 인터페이스에서 신뢰도 및 IoU 임계값을 조정하여 실시간 객체 감지 결과를 얻으십시오.

다음은 참조용 최소 코드 스니펫입니다.

import gradio as gr

from ultralytics import YOLO

model = YOLO("yolo11n.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 YOLO11",
    description="Upload images for YOLO11 object detection.",
)
iface.launch()

Ultralytics YOLO11 객체 감지에 Gradio를 사용할 때의 이점은 무엇인가요?

Ultralytics YOLO11 객체 감지에 Gradio를 사용하면 다음과 같은 여러 가지 이점이 있습니다.

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

자세한 내용은 유사한 인터랙티브 시각화 기술을 보여주는 방사선학 분야의 AI에 대한 블로그 게시물을 참조하십시오.

교육 목적으로 Gradio와 Ultralytics YOLO11을 함께 사용할 수 있습니까?

예, Gradio와 Ultralytics YOLO11은 교육 목적으로 함께 효과적으로 활용될 수 있습니다. Gradio의 직관적인 웹 인터페이스를 통해 학생과 교육자는 고급 프로그래밍 기술 없이도 Ultralytics YOLO11과 같은 최첨단 딥러닝 모델과 쉽게 상호 작용할 수 있습니다. 이 설정은 객체 감지 및 컴퓨터 비전의 핵심 개념을 시연하는 데 이상적이며, Gradio는 다양한 매개변수가 감지 성능에 미치는 영향을 이해하는 데 도움이 되는 즉각적인 시각적 피드백을 제공합니다.

YOLO11용 Gradio 인터페이스에서 신뢰도 및 IoU 임계값을 어떻게 조정합니까?

YOLO11용 Gradio 인터페이스에서 제공된 슬라이더를 사용하여 신뢰도 및 IoU 임계값을 조정할 수 있습니다. 이러한 임계값은 예측 정확도 및 객체 분리를 제어하는 데 도움이 됩니다.

  • 신뢰도 임계값: 객체 감지를 위한 최소 신뢰도 수준을 결정합니다. 슬라이드하여 필요한 신뢰도를 높이거나 낮춥니다.
  • IoU 임계값: 겹치는 객체 간의 구분을 위한 교차-합집합 임계값을 설정합니다. 객체 분리를 개선하려면 이 값을 조정하십시오.

이러한 파라미터에 대한 자세한 내용은 파라미터 설명 섹션을 참조하십시오.

Gradio와 함께 Ultralytics YOLO11을 사용하는 실제 응용 분야는 무엇입니까?

Ultralytics YOLO11과 Gradio를 결합한 실제 응용 분야는 다음과 같습니다:

  • 실시간 객체 감지 데모: 객체 감지가 실시간으로 작동하는 방식을 보여주는 데 적합합니다.
  • 교육 도구: 객체 감지 및 컴퓨터 비전 개념을 가르치는 데 유용한 학술 환경입니다.
  • 프로토타입 개발: 프로토타입 객체 감지 애플리케이션을 신속하게 개발하고 테스트하는 데 효율적입니다.
  • 커뮤니티 및 협업: 피드백 및 협업을 위해 모델을 커뮤니티와 쉽게 공유할 수 있도록 합니다.

유사한 사용 사례의 예는 야생 동물 보존 노력을 향상시킬 수 있는 대화형 시각화를 보여주는 동물 행동 모니터링에 대한 Ultralytics 블로그를 확인하십시오.



📅 1년 전에 생성됨 ✏️ 5개월 전에 업데이트됨

댓글