Deteção interactiva de objectos: Gradio & Ultralytics YOLOv8 🚀

Introdução à deteção interactiva de objectos

Esta interface Gradio fornece uma forma fácil e interactiva de efetuar a deteção de objectos utilizando o Ultralytics YOLOv8 modelo. Os utilizadores podem carregar imagens e ajustar parâmetros como o limiar de confiança e o limiar de intersecção-sobre-união (IoU) para obter resultados de deteção em tempo real.

Observa: Integração do Gradio com Ultralytics YOLOv8

Porquê utilizar o Gradio para a deteção de objectos?

• Interface amigável: O Gradio oferece uma plataforma simples para os utilizadores carregarem imagens e visualizarem os resultados da deteção sem qualquer requisito de codificação.
• Ajustes em tempo real: Parâmetros como a confiança e os limites de IoU podem ser ajustados em tempo real, permitindo um feedback imediato e a otimização dos resultados da deteção.
• Ampla acessibilidade: A interface Web do Gradio pode ser acedida por qualquer pessoa, o que a torna uma excelente ferramenta para demonstrações, fins educativos e experiências rápidas.

Como instalar o Gradio

pip install gradio

Como utilizar a interface

1. Carrega a imagem: Clica em "Carregar imagem" para escolher um ficheiro de imagem para a deteção de objectos.
2. Ajusta os parâmetros:
   • Limiar de confiança: Desliza para definir o nível mínimo de confiança para a deteção de objectos.
   • Limiar IoU: Desliza para definir o limiar de IoU para distinguir objectos diferentes.
3. Vê os resultados: A imagem processada com os objectos detectados e as respectivas etiquetas será apresentada.

Exemplos de casos de utilização

• Imagem de exemplo 1: Deteção de autocarros com limiares predefinidos.
• Imagem de amostra 2: Deteção de uma imagem de desporto com limiares predefinidos.

Exemplo de utilização

Esta secção fornece o código Python utilizado para criar a interface Gradio com o modelo Ultralytics YOLOv8 . Suporta tarefas de classificação, tarefas de deteção, tarefas de segmentação e tarefas de pontos-chave.

import gradio as gr
import PIL.Image as Image

from ultralytics import ASSETS, YOLO

model = YOLO("yolov8n.pt")


def predict_image(img, conf_threshold, iou_threshold):
    """Predicts objects in an image using a YOLOv8 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 YOLOv8n 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()

Explicação dos parâmetros

Componentes da interface Gradio

FAQ

Como é que utilizo o Gradio com Ultralytics YOLOv8 para deteção de objectos?

Para utilizar o Gradio com Ultralytics YOLOv8 para deteção de objectos, podes seguir estes passos:

1. Instala o Gradio: Utiliza o comando pip install gradio.
2. Cria a interface: Escreve um script Python para inicializar a interface do Gradio. Podes consultar o exemplo de código fornecido na documentação para obteres detalhes.
3. Carrega e ajusta: Carrega a tua imagem e ajusta os limites de confiança e IoU na interface Gradio para obteres resultados de deteção de objectos em tempo real.

Aqui tens um fragmento de código mínimo para referência:

import gradio as gr

from ultralytics import YOLO

model = YOLO("yolov8n.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 YOLOv8",
    description="Upload images for YOLOv8 object detection.",
)
iface.launch()

Quais são as vantagens de utilizar o Gradio para Ultralytics YOLOv8 deteção de objectos?

A utilização do Gradio para Ultralytics YOLOv8 deteção de objectos oferece várias vantagens:

• Interface amigável: O Gradio fornece uma interface intuitiva para os utilizadores carregarem imagens e visualizarem os resultados da deteção sem qualquer esforço de codificação.
• Ajustes em tempo real: Podes ajustar dinamicamente os parâmetros de deteção, como os limites de confiança e IoU, e ver os efeitos imediatamente.
• Acessibilidade: A interface Web é acessível a qualquer pessoa, o que a torna útil para experiências rápidas, fins educativos e demonstrações.

Para mais informações, podes ler esta publicação no blogue.

Posso utilizar o Gradio e Ultralytics YOLOv8 em conjunto para fins educativos?

Sim, o Gradio e Ultralytics YOLOv8 podem ser utilizados em conjunto para fins educativos de forma eficaz. A interface web intuitiva do Gradio facilita a interação de estudantes e educadores com modelos de aprendizagem profunda de última geração, como o Ultralytics YOLOv8 , sem necessidade de conhecimentos avançados de programação. Esta configuração é ideal para demonstrar conceitos-chave na deteção de objectos e visão computacional, uma vez que o Gradio fornece feedback visual imediato que ajuda a compreender o impacto de diferentes parâmetros no desempenho da deteção.

Como é que ajusto os limites de confiança e de IoU na interface Gradio para YOLOv8?

Na interface do Gradio para YOLOv8, podes ajustar os limites de confiança e IoU utilizando os cursores fornecidos. Estes limites ajudam a controlar a precisão da previsão e a separação de objectos:

• Limiar de confiança: Determina o nível mínimo de confiança para a deteção de objectos. Desliza para aumentar ou diminuir a confiança necessária.
• Limiar IoU: Define o limite de interseção sobre união para distinguir entre objetos sobrepostos. Ajusta este valor para refinar a separação de objectos.

Para mais informações sobre estes parâmetros, visita a secção de explicação dos parâmetros.

Quais são as aplicações práticas da utilização do Ultralytics YOLOv8 com o Gradio?

As aplicações práticas da combinação de Ultralytics YOLOv8 com Gradio incluem:

• Demonstrações de deteção de objectos em tempo real: Ideal para mostrar como funciona a deteção de objectos em tempo real.
• Ferramentas educativas: Útil em ambientes académicos para ensinar conceitos de deteção de objectos e visão por computador.
• Desenvolvimento de protótipos: Eficiente para desenvolver e testar rapidamente protótipos de aplicações de deteção de objectos.
• Comunidade e colaborações: Facilita a partilha de modelos com a comunidade para obter feedback e colaboração.

Para exemplos de casos de utilização semelhantes, consulta o blogueUltralytics .

Fornecer esta informação na documentação ajudará a melhorar a usabilidade e acessibilidade de Ultralytics YOLOv8 , tornando-o mais acessível para os utilizadores de todos os níveis de especialização.

Comentários