DeteĆ§Ć£o interactiva de objectos: Gradio & Ultralytics YOLOv8 š
IntroduĆ§Ć£o Ć deteĆ§Ć£o interactiva de objectos
Esta interface Gradio fornece uma forma fĆ”cil e interactiva de efetuar a deteĆ§Ć£o de objectos utilizando o Ultralytics YOLOv8 modelo. Os utilizadores podem carregar imagens e ajustar parĆ¢metros como o limiar de confianƧa e o limiar de intersecĆ§Ć£o-sobre-uniĆ£o (IoU) para obter resultados de deteĆ§Ć£o em tempo real.
PorquĆŖ utilizar o Gradio para a deteĆ§Ć£o de objectos?
- Interface amigĆ”vel: O Gradio oferece uma plataforma simples para os utilizadores carregarem imagens e visualizarem os resultados da deteĆ§Ć£o sem qualquer requisito de codificaĆ§Ć£o.
- Ajustes em tempo real: ParĆ¢metros como a confianƧa e os limites de IoU podem ser ajustados em tempo real, permitindo um feedback imediato e a otimizaĆ§Ć£o dos resultados da deteĆ§Ć£o.
- Ampla acessibilidade: A interface Web do Gradio pode ser acedida por qualquer pessoa, o que a torna uma excelente ferramenta para demonstraƧƵes, fins educativos e experiĆŖncias rĆ”pidas.
Como instalar o Gradio
Como utilizar a interface
- Carrega a imagem: Clica em "Carregar imagem" para escolher um ficheiro de imagem para a deteĆ§Ć£o de objectos.
- Ajusta os parĆ¢metros:
- Limiar de confianƧa: Desliza para definir o nĆvel mĆnimo de confianƧa para a deteĆ§Ć£o de objectos.
- Limiar IoU: Desliza para definir o limiar de IoU para distinguir objectos diferentes.
- VĆŖ os resultados: A imagem processada com os objectos detectados e as respectivas etiquetas serĆ” apresentada.
Exemplos de casos de utilizaĆ§Ć£o
- Imagem de exemplo 1: DeteĆ§Ć£o de autocarros com limiares predefinidos.
- Imagem de amostra 2: DeteĆ§Ć£o de uma imagem de desporto com limiares predefinidos.
Exemplo de utilizaĆ§Ć£o
Esta secĆ§Ć£o fornece o cĆ³digo Python utilizado para criar a interface Gradio com o modelo Ultralytics YOLOv8 . Suporta tarefas de classificaĆ§Ć£o, tarefas de deteĆ§Ć£o, tarefas de segmentaĆ§Ć£o 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 and plots labeled objects in an image using 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()
ExplicaĆ§Ć£o dos parĆ¢metros
Nome do parĆ¢metro | Tipo | DescriĆ§Ć£o |
---|---|---|
img |
Image |
A imagem na qual a deteĆ§Ć£o de objectos serĆ” realizada. |
conf_threshold |
float |
Limiar de confianƧa para a deteĆ§Ć£o de objectos. |
iou_threshold |
float |
Limiar de intersecĆ§Ć£o-sobre-uniĆ£o para separaĆ§Ć£o de objectos. |
Componentes da interface Gradio
Componente | DescriĆ§Ć£o |
---|---|
Entrada de imagem | Para carregar a imagem para deteĆ§Ć£o. |
Deslizadores | Ajusta os limiares de confianƧa e de IoU. |
SaĆda de imagem | Para visualizar os resultados da deteĆ§Ć£o. |