Meet YOLO26: next-gen vision AI.

Link to this section인터랙티브 객체 탐지: Gradio & Ultralytics YOLO26 🚀#

Link to this section인터랙티브 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

Link to this section객체 탐지에 Gradio를 사용하는 이유는 무엇입니까?#

  • 사용자 친화적인 인터페이스: Gradio는 사용자가 코딩 없이 이미지를 업로드하고 탐지 결과를 시각화할 수 있는 간편한 플랫폼을 제공합니다.
  • 실시간 조정: 신뢰도 및 IoU 임계값과 같은 매개변수를 즉석에서 조정할 수 있어 탐지 결과에 대한 즉각적인 피드백과 최적화가 가능합니다.
  • 광범위한 접근성: Gradio 웹 인터페이스는 누구나 액세스할 수 있어 데모, 교육 목적 및 빠른 실험을 위한 훌륭한 도구입니다.

Gradio YOLO detection interface

Link to this sectionGradio 설치 방법#

pip install gradio

Link to this section인터페이스 사용 방법#

  1. 이미지 업로드: 'Upload Image'를 클릭하여 객체 탐지를 수행할 이미지 파일을 선택합니다.
  2. 매개변수 조정:
    • 신뢰도 임계값(Confidence Threshold): 객체 탐지를 위한 최소 신뢰도 수준을 설정하는 슬라이더입니다.
    • IoU 임계값(IoU Threshold): 서로 다른 객체를 구분하기 위한 IoU 임계값을 설정하는 슬라이더입니다.
  3. 결과 보기: 탐지된 객체와 해당 레이블이 표시된 처리된 이미지가 나타납니다.

Link to this section사용 사례 예시#

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

Link to this section사용 예시#

이 섹션에서는 Ultralytics YOLO26 객체 탐지를 위한 Gradio 인터페이스를 생성하는 데 사용되는 Python 코드를 제공합니다. 이 샘플은 해당 모델 체크포인트를 로드하여 분류, 인스턴스 세분화, 자세 추정 및 기타 YOLO 작업에 맞게 조정할 수 있습니다.

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 section매개변수 설명#

매개변수 이름유형설명
imgImage객체 탐지를 수행할 이미지입니다.
conf_thresholdfloat객체 탐지를 위한 신뢰도 임계값입니다.
iou_thresholdfloat객체 분리를 위한 IoU 임계값입니다.

Link to this sectionGradio 인터페이스 구성 요소#

구성 요소설명
이미지 입력(Image Input)탐지를 위해 이미지를 업로드하는 곳입니다.
슬라이더(Sliders)신뢰도 및 IoU 임계값을 조정하는 곳입니다.
이미지 출력(Image Output)탐지 결과를 표시하는 곳입니다.

Link to this sectionFAQ#

Link to this sectionGradio와 Ultralytics YOLO26을 사용하여 객체 탐지를 어떻게 수행합니까?#

Gradio와 Ultralytics YOLO26을 사용하여 객체 탐지를 수행하려면 다음 단계를 따르십시오:

  1. Gradio 설치: pip install gradio 명령어를 사용합니다.
  2. 인터페이스 생성: Python 스크립트를 작성하여 Gradio 인터페이스를 초기화합니다. 자세한 내용은 문서의 코드 예시를 참조하십시오.
  3. 업로드 및 조정: 이미지를 업로드하고 Gradio 인터페이스에서 신뢰도 및 IoU 임계값을 조정하여 실시간 객체 탐지 결과를 확인합니다.

참고를 위한 최소 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()

Link to this sectionUltralytics YOLO26 객체 탐지에 Gradio를 사용하면 어떤 이점이 있습니까?#

Ultralytics YOLO26 객체 탐지에 Gradio를 사용하면 다음과 같은 여러 가지 이점이 있습니다:

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

자세한 내용은 유사한 인터랙티브 시각화 기술을 보여주는 AI 영상 의학 관련 블로그 게시물을 읽어보시기 바랍니다.

Link to this section교육 목적으로 Gradio와 Ultralytics YOLO26을 함께 사용할 수 있습니까?#

네, Gradio와 Ultralytics YOLO26은 교육 목적으로 효과적으로 함께 사용할 수 있습니다. Gradio의 직관적인 웹 인터페이스를 통해 학생과 교육자는 고급 프로그래밍 기술 없이도 Ultralytics YOLO26과 같은 최신 딥러닝 모델과 상호 작용할 수 있습니다. Gradio는 즉각적인 시각적 피드백을 제공하여 탐지 성능에 미치는 다양한 매개변수의 영향을 이해하는 데 도움이 되므로 객체 탐지 및 컴퓨터 비전의 핵심 개념을 설명하는 데 이상적입니다.

Link to this sectionYOLO26용 Gradio 인터페이스에서 신뢰도 및 IoU 임계값을 어떻게 조정합니까?#

YOLO26용 Gradio 인터페이스에서는 제공된 슬라이더를 사용하여 신뢰도 및 IoU 임계값을 조정할 수 있습니다. 이러한 임계값은 예측 정확도와 객체 분리를 제어하는 데 도움이 됩니다:

  • 신뢰도 임계값: 객체 탐지를 위한 최소 신뢰도 수준을 결정합니다. 슬라이더를 이동하여 필요한 신뢰도를 높이거나 낮추십시오.
  • IoU 임계값: 겹치는 객체를 구분하기 위한 IoU 임계값을 설정합니다. 이 값을 조정하여 객체 분리를 미세하게 조정하십시오.

이러한 매개변수에 대한 자세한 내용은 매개변수 설명 섹션을 참조하십시오.

Link to this sectionUltralytics YOLO26을 Gradio와 함께 사용할 때의 실용적인 응용 분야는 무엇입니까?#

Ultralytics YOLO26과 Gradio를 결합하여 얻을 수 있는 실용적인 응용 분야는 다음과 같습니다:

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

유사한 사례의 예시는 인터랙티브 시각화가 야생 동물 보호 노력을 어떻게 향상시킬 수 있는지 보여주는 동물 행동 모니터링 관련 Ultralytics 블로그를 확인하십시오.

기여자
GLglenn-jocher13RIRizwanMunawar3AMambitious-octopus1IVIvorZhu3311

댓글