Inferência em direto com a aplicação Streamlit utilizando Ultralytics YOLO11

Q: How can I set up a real-time object detection application using Streamlit and Ultralytics YOLO11?

Setting up a real-time object detection application with Streamlit and Ultralytics YOLO11 is straightforward. First, ensure you have the Ultralytics Python package installed using: Then, you can create a basic Streamlit application to run live inference: For more details on the practical setup, refer to the Streamlit Application Code section of the documentation.

Q: What are the main advantages of using Ultralytics YOLO11 with Streamlit for real-time object detection?

Using Ultralytics YOLO11 with Streamlit for real-time object detection offers several advantages: Discover more about these advantages here.

Q: How do I deploy a Streamlit object detection application in my web browser?

After coding your Streamlit application integrating Ultralytics YOLO11, you can deploy it by running: This command will launch the application in your default web browser, enabling you to select YOLO11 models, set confidence, and NMS thresholds, and start real-time object detection with a simple click. For a detailed guide, refer to the Streamlit Application Code section.

Q: What are some use cases for real-time object detection using Streamlit and Ultralytics YOLO11?

Real-time object detection using Streamlit and Ultralytics YOLO11 can be applied in various sectors: For more in-depth use cases and examples, explore Ultralytics Solutions.

Q: How does Ultralytics YOLO11 compare to other object detection models like YOLOv5 and RCNNs?

Ultralytics YOLO11 provides several enhancements over prior models like YOLOv5 and RCNNs: For a comprehensive comparison, check Ultralytics YOLO11 Documentation and related blog posts discussing model performance.

Introdução

Streamlit makes it simple to build and deploy interactive web applications. Combining this with Ultralytics YOLO11 allows for real-time object detection and analysis directly in your browser. YOLO11 high accuracy and speed ensure seamless performance for live video streams, making it ideal for applications in security, retail, and beyond.

Observa: How to Use Streamlit with Ultralytics for Real-Time Visão computacional in Your Browser

Aquacultura	Criação de animais

Fish Detection using Ultralytics YOLO11	Animals Detection using Ultralytics YOLO11

Vantagens da inferência em direto

Seamless Real-Time Object Detection: Streamlit combined with YOLO11 enables real-time object detection directly from your webcam feed. This allows for immediate analysis and insights, making it ideal for applications requiring instant feedback.
Implementação fácil de usar: A interface interactiva do Streamlit facilita a implementação e a utilização da aplicação sem grandes conhecimentos técnicos. Os utilizadores podem iniciar a inferência em tempo real com um simples clique, melhorando a acessibilidade e a facilidade de utilização.
Efficient Resource Utilization: YOLO11 optimized algorithm ensure high-speed processing with minimal computational resources. This efficiency allows for smooth and reliable webcam inference even on standard hardware, making advanced computer vision accessible to a wider audience.

Código de aplicação Streamlit

Ultralytics Instalação

Antes de começares a construir a aplicação, certifica-te de que tens o pacote Ultralytics Python instalado. Podes instalá-lo utilizando o comando pip install ultralytics

Aplicação Streamlit

CLIPython

yolo streamlit-predict

from ultralytics import solutions

solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`

Isto irá lançar a aplicação Streamlit no teu navegador Web predefinido. Verás o título principal, o subtítulo e a barra lateral com as opções de configuração. Seleciona o modelo YOLO11 pretendido, define os limites de confiança e NMS e clica no botão "Start" (Iniciar) para iniciar a deteção de objectos em tempo real.

Opcionalmente, podes fornecer um modelo específico em Python:

Aplicação Streamlit com um modelo personalizado

Python

from ultralytics import solutions

# Pass a model as an argument
solutions.inference(model="path/to/model.pt")

### Make sure to run the file using command `streamlit run <file-name.py>`

Conclusão

Ao seguires este guia, criaste com sucesso uma aplicação de deteção de objectos em tempo real utilizando o Streamlit e o Ultralytics YOLO11. Esta aplicação permite-te experimentar o poder do YOLO11 na deteção de objectos através da tua webcam, com uma interface amigável e a possibilidade de parar o fluxo de vídeo a qualquer momento.

Para mais melhorias, podes explorar a adição de mais funcionalidades, como a gravação do fluxo de vídeo, a gravação dos fotogramas anotados ou a integração com outras bibliotecas de visão computacional.

Participa na comunidade para saber mais, resolver problemas e partilhar os teus projectos:

Onde encontrar ajuda e suporte

Problemas no GitHub: Visita o repositórioUltralytics do GitHub para levantar questões, reportar bugs e sugerir funcionalidades.
Ultralytics Servidor Discord: Junta-te ao servidor Discord deUltralytics para te ligares a outros utilizadores e programadores, obteres apoio, partilhares conhecimentos e debateres ideias.

Documentação oficial

Ultralytics YOLO11 Documentation: Refer to the official YOLO11 documentation for comprehensive guides and insights on various computer vision tasks and projects.

FAQ

Como posso configurar uma aplicação de deteção de objectos em tempo real utilizando Streamlit e Ultralytics YOLO11?

Configurar uma aplicação de deteção de objectos em tempo real com Streamlit e Ultralytics YOLO11 é simples. Primeiro, certifica-te de que tens o pacote Ultralytics Python instalado utilizando:

pip install ultralytics

Depois, podes criar uma aplicação Streamlit básica para executar a inferência em tempo real:

Aplicação Streamlit

PythonCLI

from ultralytics import solutions

solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`

yolo streamlit-predict

Para mais informações sobre a configuração prática, consulta a secção Código de aplicação Streamlit da documentação.

Quais são as principais vantagens da utilização do Ultralytics YOLO11 com o Streamlit para a deteção de objectos em tempo real?

A utilização do Ultralytics YOLO11 com o Streamlit para a deteção de objectos em tempo real oferece várias vantagens:

Seamless Real-Time Detection: Achieve high-accuracy, real-time object detection directly from webcam feeds.
Interface fácil de usar: A interface intuitiva do Streamlit permite uma utilização e implementação fáceis sem grandes conhecimentos técnicos.
Resource Efficiency: YOLO11's optimized algorithms ensure high-speed processing with minimal computational resources.

Descobre mais sobre estas vantagens aqui.

Como posso implementar uma aplicação de deteção de objectos Streamlit no meu browser?

Depois de codificares a tua aplicação Streamlit integrando Ultralytics YOLO11, podes implementá-la executando:

streamlit run <file-name.py>

This command will launch the application in your default web browser, enabling you to select YOLO11 models, set confidence, and NMS thresholds, and start real-time object detection with a simple click. For a detailed guide, refer to the Streamlit Application Code section.

Quais são alguns casos de utilização para a deteção de objectos em tempo real utilizando o Streamlit e Ultralytics YOLO11?

A deteção de objectos em tempo real utilizando Streamlit e Ultralytics YOLO11 pode ser aplicada em vários sectores:

Segurança: Monitorização em tempo real de acessos não autorizados.
Comércio retalhista: Contagens de clientes, gestão de prateleiras e muito mais.
Vida selvagem e agricultura: Monitoriza os animais e as condições das culturas.

Para casos de utilização e exemplos mais aprofundados, explora Ultralytics Solutions.

Como é que o Ultralytics YOLO11 se compara a outros modelos de deteção de objectos como o YOLOv5 e os RCNNs?

Ultralytics O YOLO11 oferece várias melhorias em relação a modelos anteriores como YOLOv5 e RCNNs:

Maior velocidade e precisão: desempenho melhorado para aplicações em tempo real.
Facilidade de utilização: interfaces e implementação simplificadas.
Eficiência de recursos: Optimizado para uma maior velocidade com requisitos computacionais mínimos.

For a comprehensive comparison, check Ultralytics YOLO11 Documentation and related blog posts discussing model performance.

📅 Created 4 months ago ✏️ Updated 7 days ago