Inferência em direto com a aplicação Streamlit utilizando Ultralytics YOLO11

Introdução

O Streamlit simplifica a criação e a implementação de aplicações Web interactivas. Combinando isto com Ultralytics YOLO11 permite a deteção e análise de objectos em tempo real diretamente no seu browser. YOLO11 A elevada precisão e velocidade garantem um desempenho perfeito para fluxos de vídeo em direto, tornando-o ideal para aplicações de segurança, retalho e outras.

Ver: Como utilizar o Streamlit com Ultralytics para tempo real Visão computacional no seu navegador

Aquacultura	Criação de animais
Deteção de peixes utilizando Ultralytics YOLO11	Animais Deteção com Ultralytics YOLO11

Vantagens da inferência em direto

• Deteção de objectos em tempo real sem falhas: O Streamlit combinado com YOLO11 permite a deteção de objectos em tempo real diretamente a partir do feed da webcam. Isso permite análises e percepções imediatas, tornando-o ideal para aplicações que exigem feedback instantâneo.
• 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.
• Utilização eficiente de recursos: o algoritmo optimizado YOLO11 garante um processamento de alta velocidade com o mínimo de recursos computacionais. Esta eficiência permite uma inferência de webcam suave e fiável mesmo em hardware padrão, tornando a visão computacional avançada acessível a um público mais vasto.

Código de aplicação Streamlit

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 seu navegador Web predefinido. Verá o título principal, o subtítulo e a barra lateral com as opções de configuração. Selecione o modelo YOLO11 pretendido, defina os limites de confiança e NMS e clique no botão "Start" (Iniciar) para iniciar a deteção de objectos em tempo real.

Opcionalmente, pode fornecer um modelo específico em 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 seguir este guia, terá criado com êxito uma aplicação de deteção de objectos em tempo real utilizando o Streamlit e Ultralytics YOLO11 . Esta aplicação permite-lhe experimentar o poder do YOLO11 na deteção de objectos através da sua webcam, com uma interface de fácil utilização e a possibilidade de parar o fluxo de vídeo a qualquer momento.

Para mais melhorias, pode 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.

Partilhe as suas ideias com a comunidade

Interaja com a comunidade para saber mais, resolver problemas e partilhar os seus projectos:

Onde encontrar ajuda e apoio

• Problemas do GitHub: Visite o repositórioUltralytics do GitHub para levantar questões, relatar bugs e sugerir recursos.
• Ultralytics Servidor Discord: Junte-se ao servidor Discord deUltralytics para se ligar a outros utilizadores e programadores, obter apoio, partilhar conhecimentos e debater ideias.

Documentação oficial

• Ultralytics YOLO11 Documentação: Consulte a documentação oficial do YOLO11 para obter guias abrangentes e informações sobre várias tarefas e projectos de visão computacional.

FAQ

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

A configuração de uma aplicação de deteção de objectos em tempo real com o Streamlit e Ultralytics YOLO11 é simples. Primeiro, certifique-se de que tem o pacote Ultralytics Python instalado utilizando:

pip install ultralytics

Em seguida, pode criar uma aplicação Streamlit básica para executar a inferência em direto:

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, consulte a secção Código da 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:

• Deteção em tempo real sem falhas: Obtenha uma deteção de objectos de alta precisão e em tempo real diretamente a partir de feeds de Webcam.
• Interface de fácil utilização: A interface intuitiva do Streamlit permite uma utilização e implementação fáceis sem grandes conhecimentos técnicos.
• Eficiência de recursos: os algoritmos optimizados do YOLO11 garantem um processamento de alta velocidade com recursos computacionais mínimos.

Saiba mais sobre estas vantagens aqui.

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

Depois de codificar a sua aplicação Streamlit integrando Ultralytics YOLO11 , pode implementá-la executando:

streamlit run <file-name.py>

Este comando inicia a aplicação no seu navegador Web predefinido, permitindo-lhe selecionar os modelos YOLO11 , definir a confiança e os limites NMS e iniciar a deteção de objectos em tempo real com um simples clique. Para obter um guia detalhado, consulte a secção Código da aplicação Streamlit.

Quais são alguns casos de utilização para a deteção de objectos em tempo real utilizando 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: Contagem de clientes, gestão de prateleiras e muito mais.
• Vida selvagem e agricultura: Monitorização dos animais e das condições das culturas.

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

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

Ultralytics 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.

Para uma comparação exaustiva, consulte Ultralytics YOLO11 Documentation e publicações de blogue relacionadas que discutem o desempenho do modelo.

📅C riado há 5 meses ✏️ Atualizado há 1 mês

Comentários